前言

?????? 作為IP模式識(shí)別的CNN初始模型是作為單純判別式-模式識(shí)別存在的，并以此為基本模型擴(kuò)展到各個(gè)方向?；竟δ転閳D像判別模型，此后基于Loc+CNN的檢測(cè)模型-分離式、end2end、以及MaskCNN模型，而后出現(xiàn)基于CNN的預(yù)測(cè)模型-AcGans。

?????? CNN作為一個(gè)基本判別式模型簡(jiǎn)化為數(shù)學(xué)模型依然為一個(gè)函數(shù)映射f(x)->y;? 基于CNN的檢測(cè)模型數(shù)學(xué)模型為 L(x)+f(x)->y,其中L(x)依然為判別式，給出loc信息，二維的為(y1,y2)點(diǎn)對(duì)；? 基于CNN的Mask給出每個(gè)Pixel的類(lèi)別信息，數(shù)學(xué)模型可以簡(jiǎn)化為 k(x).f(x)—k(x).y，其中K(x)為一個(gè)與點(diǎn)位置線性相關(guān)的函數(shù)；

?????? 到了AcGans, 例如基于年齡的預(yù)測(cè)，CNN為其組成部分之一，而生成式為主要目的服務(wù)，數(shù)學(xué)模型可以簡(jiǎn)化為g( f0(f2)*f2(x) )—y，把一個(gè)判別式f(x)分離為維持不變性的 f0(x)和用于分離的 f2(x)，其中f0(x)滿足生成式約束不變性， f2(x)滿足特征提取-數(shù)據(jù)輸入不變性約束，以滿足使用數(shù)據(jù)完成訓(xùn)練生成模型所要求，以及處理輸入的特征提取模型。

?????? 通過(guò)訓(xùn)練的模型，數(shù)據(jù)流為f2(x)*X—>f2(X),通過(guò)特征提取函數(shù)，生成紋理特征； f0*f2(X)—>f0(f2(X)

...........................................

??????? 先驅(qū)：StarGANs的論文：《StarGAN: Unified Generative Adversarial Networks for Multi-Domain Image-to-Image Translation 》，使用單一模型執(zhí)行多個(gè)領(lǐng)域的圖像轉(zhuǎn)換。

論文簡(jiǎn)介

參考：CVPR2018值得一看的25篇論文....

intro 和 related works 主要講了現(xiàn)有方案大多將年齡信息優(yōu)先而 identity 信息次之，換句話說(shuō)，就是生成不同年齡的同時(shí)，identity 信息不能很好保留。

Generator 部分不做介紹，無(wú)亮點(diǎn)，本文亮點(diǎn)在 loss 部分和特征提取器的跨級(jí)并聯(lián)結(jié)構(gòu)上。

文中提出了特征提取器用于提出特定特征，原因是作者認(rèn)為相同年齡段的不同人臉有著相同的的紋理等特定信息，而這個(gè)提取器就是提取出這些特征。此外，該分類(lèi)器是經(jīng)過(guò) age 分類(lèi)任務(wù)預(yù)訓(xùn)練好了的。

文中和今年很多思路一樣，考慮到了 low-level 和 high-level 信息，將第 2、4、7 等層信息 concat 起來(lái)，作為 d 的輸入。

identity 信息的保留和上一個(gè) extractor 類(lèi)似，在人臉?lè)诸?lèi)數(shù)據(jù)集上預(yù)訓(xùn)練，然后拿來(lái)直接當(dāng) extractor。

? 獨(dú)立訓(xùn)練最優(yōu)G和D，然后得到G學(xué)習(xí)到一個(gè)年齡變換，D作為一個(gè)可靠的分類(lèi)函子。

創(chuàng)作挑戰(zhàn)賽新人創(chuàng)作獎(jiǎng)勵(lì)來(lái)咯，堅(jiān)持創(chuàng)作打卡瓜分現(xiàn)金大獎(jiǎng)

總結(jié)

以上是生活随笔為你收集整理的Learning Face Age Progression: A Pyramid Architecture of GANs的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。