【SinGAN】たった１枚の画像から多様な画像生成タスクが可能に - Qiita
はじめに 本記事はDeep learning論文紹介のAdvent Calender 2019の6日目の記事です。 本記事ではコンピュータビジョンのトップカンファレンスであるICCV2019でBest paperに選ばれたSin GANの論文について紹介し、公式のGitHubを色々触ってみようと思います。 SinGANは１枚の訓練データのみを学習に用いるので、気軽に画像生成を試すことができます(画像サイズにもよりますがGoogle colabratoryのGPUでおよそ1~5時間程度)。後半ではGoogle Colabratoryを用いて実際に画像生成を行っているのでぜひ試してみてください。 【SinGAN公式】 ・arxiv ・Github 【Qiitaの記事】 ・【論文解説】SinGAN: Learning a Generative Model from a Single Natura
Feature engineering - Wikipedia
This article needs to be updated. Please help update this article to reflect recent events or newly available information. (February 2024) Feature engineering is a preprocessing step in supervised machine learning and statistical modeling[1] which transforms raw data into a more effective set of inputs. Each input comprises several attributes, known as features. By providing models with relevant i
Google Custom Search APIを使って画像収集 - Qiita
これから、真面目にDeep Learningの勉強を始めたいと思います。 その前に、学習に必要の大量なデータがどこから入手でするかを考えないといけないです。 思付いた方法の一つはTwitter画像botから画像を収集します。 もう一つはGoogle、Bingなどの画像検索エンジンを利用します。 良いbotを見つけるには時間かかりそうなので、まず検索APIを使ってみます。 Bing検索APIは今年年末に終了するようですから、今回はGoogleを選択します。 検索エンジンの設定 カスタム検索で新し検索エンジンを作成。 設定は以下になります。 ①画像検索をオンにして ②「ウェブ全体を検索する」を選択 ③検索サイトを削除 ④検索エンジンIDからIDを獲得 IDは「数字列：英字列」の型になっています。 数字列はユーザID、英字列はエンジンIDらしいです。 Custom Search APIを獲得 G
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
GitHub - NVIDIA/FastPhotoStyle: Style transfer, deep learning, feature transform
