| | | | |

2021年3月27日

[zz]EndNote在word中进行文献引用的插入时，没有出现数字[1]而是出现(Gruning 2018)的解决方案

在word上栏中的Endnote选项卡，“Instant formatting is off”改为“Instant formatting is on”是可以的
Reference
https://blog.csdn.net/qq_32120957/article/details/83547621

posted @ 2021-03-27 13:26 杰哥阅读(2788) | 评论 (0) | 编辑收藏

2021年3月23日

[zz] 【Word】超链接出现{ HYPERLINK “http://xx/” }的解决办法

在Word中黏贴超链接和打开原来有超链接的文档，原来的超链接都显示成了“{ HYPERLINK http://网站地址 }”，很是奇怪！

解决办法：

方法一、选中没有生成超链接的字符，依次打开菜单栏的“工具”-->选项-->将“视图”中的“域代码”取消勾选，然后确定即可。

方法二、选中没有生成超链接的字符，直接按“Alt+F9”就可以生成超链接了。

Reference:

http://witmax.cn/word-hyperlink-show-code.html

posted @ 2021-03-23 15:47 杰哥阅读(522) | 评论 (0) | 编辑收藏

2021年2月10日

Win10自带的清理工具怎么用

https://guanjia.qq.com/web_clinic/s7/2076.html

posted @ 2021-02-10 17:26 杰哥阅读(12391) | 评论 (0) | 编辑收藏

2021年1月14日

[zz] Siamese network 孪生神经网络--一个简单神奇的结构

https://www.jianshu.com/p/92d7f6eaacf5

posted @ 2021-01-14 19:17 杰哥阅读(13020) | 评论 (0) | 编辑收藏

2020年10月30日

[zz] 电脑网页打不开怎么办

https://jingyan.baidu.com/article/75ab0bcb8001e5d6864db232.html

posted @ 2020-10-30 22:47 杰哥阅读(430) | 评论 (0) | 编辑收藏

2020年9月11日

[zz]python 二维列表按列取元素

直接切片是不行的：

>>> a=[[1,2,3], [4,5,6]] >>> a[:, 0]                   # 尝试用数组的方法读取一列失败 TypeError: list indices must be integers or slices, not tuple1
2
3

我们可以直接构造：

>>> b = [i[0] for i in a]     # 从a中的每一行取第一个元素。 >>> print(b) [1, 4]

Reference:

https://blog.csdn.net/xiaotao_1/article/details/80729458

posted @ 2020-09-11 07:21 杰哥阅读(1456) | 评论 (0) | 编辑收藏

2019年2月2日

[zz]Python中下划线的5种含义

分享一篇文章：The Meaning of Underscores in Python。

本文介绍了Python中单下划线和双下划线（"dunder"）的各种含义和命名约定，名称修饰（name mangling）的工作原理，以及它如何影响你自己的Python类。

单下划线和双下划线在Python变量和方法名称中都各有其含义。有一些含义仅仅是依照约定，被视作是对程序员的提示 - 而有一些含义是由Python解释器严格执行的。

如果你想知道“Python变量和方法名称中单下划线和双下划线的含义是什么？”，我会尽我所能在这里为你解答。

在本文中，我将讨论以下五种下划线模式和命名约定，以及它们如何影响Python程序的行为：

单前导下划线：_var
单末尾下划线：var_
双前导下划线：__var
双前导和末尾下划线：__var__
单下划线：_

在文章结尾处，你可以找到一个简短的“速查表”，总结了五种不同的下划线命名约定及其含义，以及一个简短的视频教程，可让你亲身体验它们的行为。

让我们马上开始！

1. 单前导下划线 _var

当涉及到变量和方法名称时，单个下划线前缀有一个约定俗成的含义。它是对程序员的一个提示 - 意味着Python社区一致认为它应该是什么意思，但程序的行为不受影响。

下划线前缀的含义是告知其他程序员：以单个下划线开头的变量或方法仅供内部使用。该约定在PEP 8中有定义。

这不是Python强制规定的。 Python不像Java那样在“私有”和“公共”变量之间有很强的区别。这就像有人提出了一个小小的下划线警告标志，说：

“嘿，这不是真的要成为类的公共接口的一部分。不去管它就好。“

看看下面的例子：

class Test:    def __init__(self):        self.foo = 11        self._bar = 23

如果你实例化此类，并尝试访问在__init__构造函数中定义的foo和_bar属性，会发生什么情况？让我们来看看：

>>> t = Test() >>> t.foo 11 >>> t._bar 23

你会看到_bar中的单个下划线并没有阻止我们“进入”类并访问该变量的值。

这是因为Python中的单个下划线前缀仅仅是一个约定 - 至少相对于变量和方法名而言。

但是，前导下划线的确会影响从模块中导入名称的方式。

假设你在一个名为my_module的模块中有以下代码：

# This is my_module.py:  def external_func():    return 23  def _internal_func():    return 42

现在，如果使用通配符从模块中导入所有名称，则Python不会导入带有前导下划线的名称（除非模块定义了覆盖此行为的__all__列表）：

>>> from my_module import * >>> external_func() 23 >>> _internal_func() NameError: "name '_internal_func' is not defined"

顺便说一下，应该避免通配符导入，因为它们使名称空间中存在哪些名称不清楚。为了清楚起见，坚持常规导入更好。

与通配符导入不同，常规导入不受前导单个下划线命名约定的影响：

>>> import my_module >>> my_module.external_func() 23 >>> my_module._internal_func() 42

我知道这一点可能有点令人困惑。如果你遵循PEP 8推荐，避免通配符导入，那么你真正需要记住的只有这个：

单个下划线是一个Python命名约定，表示这个名称是供内部使用的。它通常不由Python解释器强制执行，仅仅作为一种对程序员的提示。

2. 单末尾下划线 var_

有时候，一个变量的最合适的名称已经被一个关键字所占用。因此，像class或def这样的名称不能用作Python中的变量名称。在这种情况下，你可以附加一个下划线来解决命名冲突：

>>> def make_object(name, class): SyntaxError: "invalid syntax"  >>> def make_object(name, class_): ...    pass

总之，单个末尾下划线（后缀）是一个约定，用来避免与Python关键字产生命名冲突。 PEP 8解释了这个约定。

3. 双前导下划线 __var

到目前为止，我们所涉及的所有命名模式的含义，来自于已达成共识的约定。而对于以双下划线开头的Python类的属性（包括变量和方法），情况就有点不同了。

双下划线前缀会导致Python解释器重写属性名称，以避免子类中的命名冲突。

这也叫做名称修饰（name mangling） - 解释器更改变量的名称，以便在类被扩展的时候不容易产生冲突。

我知道这听起来很抽象。因此，我组合了一个小小的代码示例来予以说明：

class Test:    def __init__(self):        self.foo = 11        self._bar = 23        self.__baz = 23

让我们用内置的dir()函数来看看这个对象的属性：

>>> t = Test() >>> dir(t) ['_Test__baz', '__class__', '__delattr__', '__dict__', '__dir__', '__doc__', '__eq__', '__format__', '__ge__', '__getattribute__', '__gt__', '__hash__', '__init__', '__le__', '__lt__', '__module__', '__ne__', '__new__', '__reduce__', '__reduce_ex__', '__repr__', '__setattr__', '__sizeof__', '__str__', '__subclasshook__', '__weakref__', '_bar', 'foo']

以上是这个对象属性的列表。让我们来看看这个列表，并寻找我们的原始变量名称foo，_bar和__baz - 我保证你会注意到一些有趣的变化。

self.foo变量在属性列表中显示为未修改为foo。
self._bar的行为方式相同 - 它以_bar的形式显示在类上。就像我之前说过的，在这种情况下，前导下划线仅仅是一个约定。给程序员一个提示而已。
然而，对于self.__baz而言，情况看起来有点不同。当你在该列表中搜索__baz时，你会看不到有这个名字的变量。

__baz出什么情况了？

如果你仔细观察，你会看到此对象上有一个名为_Test__baz的属性。这就是Python解释器所做的名称修饰。它这样做是为了防止变量在子类中被重写。

让我们创建另一个扩展Test类的类，并尝试重写构造函数中添加的现有属性：

class ExtendedTest(Test):    def __init__(self):        super().__init__()        self.foo = 'overridden'        self._bar = 'overridden'        self.__baz = 'overridden'

现在，你认为foo，_bar和__baz的值会出现在这个ExtendedTest类的实例上吗？我们来看一看：

>>> t2 = ExtendedTest() >>> t2.foo 'overridden' >>> t2._bar 'overridden' >>> t2.__baz AttributeError: "'ExtendedTest' object has no attribute '__baz'"

等一下，当我们尝试查看t2 .__ baz的值时，为什么我们会得到AttributeError？名称修饰被再次触发了！事实证明，这个对象甚至没有__baz属性：

>>> dir(t2) ['_ExtendedTest__baz', '_Test__baz', '__class__', '__delattr__', '__dict__', '__dir__', '__doc__', '__eq__', '__format__', '__ge__', '__getattribute__', '__gt__', '__hash__', '__init__', '__le__', '__lt__', '__module__', '__ne__', '__new__', '__reduce__', '__reduce_ex__', '__repr__', '__setattr__', '__sizeof__', '__str__', '__subclasshook__', '__weakref__', '_bar', 'foo', 'get_vars']

正如你可以看到__baz变成_ExtendedTest__baz以防止意外修改：

>>> t2._ExtendedTest__baz 'overridden'

但原来的_Test__baz还在：

>>> t2._Test__baz 42

双下划线名称修饰对程序员是完全透明的。下面的例子证实了这一点：

class ManglingTest:    def __init__(self):        self.__mangled = 'hello'     def get_mangled(self):        return self.__mangled  >>> ManglingTest().get_mangled() 'hello' >>> ManglingTest().__mangled AttributeError: "'ManglingTest' object has no attribute '__mangled'"

名称修饰是否也适用于方法名称？是的，也适用。名称修饰会影响在一个类的上下文中，以两个下划线字符（"dunders"）开头的所有名称：

class MangledMethod:    def __method(self):        return 42     def call_it(self):        return self.__method()  >>> MangledMethod().__method() AttributeError: "'MangledMethod' object has no attribute '__method'" >>> MangledMethod().call_it() 42

这是另一个也许令人惊讶的运用名称修饰的例子：

_MangledGlobal__mangled = 23  class MangledGlobal:    def test(self):        return __mangled  >>> MangledGlobal().test() 23

在这个例子中，我声明了一个名为_MangledGlobal__mangled的全局变量。然后我在名为MangledGlobal的类的上下文中访问变量。由于名称修饰，我能够在类的test()方法内，以__mangled来引用_MangledGlobal__mangled全局变量。

Python解释器自动将名称__mangled扩展为_MangledGlobal__mangled，因为它以两个下划线字符开头。这表明名称修饰不是专门与类属性关联的。它适用于在类上下文中使用的两个下划线字符开头的任何名称。

有很多要吸收的内容吧。

老实说，这些例子和解释不是从我脑子里蹦出来的。我作了一些研究和加工才弄出来。我一直使用Python，有很多年了，但是像这样的规则和特殊情况并不总是浮现在脑海里。

有时候程序员最重要的技能是“模式识别”，而且知道在哪里查阅信息。如果您在这一点上感到有点不知所措，请不要担心。慢慢来，试试这篇文章中的一些例子。

让这些概念完全沉浸下来，以便你能够理解名称修饰的总体思路，以及我向您展示的一些其他的行为。如果有一天你和它们不期而遇，你会知道在文档中按什么来查。

4. 双前导和双末尾下划线 _var_

也许令人惊讶的是，如果一个名字同时以双下划线开始和结束，则不会应用名称修饰。由双下划线前缀和后缀包围的变量不会被Python解释器修改：

class PrefixPostfixTest:    def __init__(self):        self.__bam__ = 42  >>> PrefixPostfixTest().__bam__ 42

但是，Python保留了有双前导和双末尾下划线的名称，用于特殊用途。这样的例子有，__init__对象构造函数，或__call__ --- 它使得一个对象可以被调用。

这些dunder方法通常被称为神奇方法 - 但Python社区中的许多人（包括我自己）都不喜欢这种方法。

最好避免在自己的程序中使用以双下划线（“dunders”）开头和结尾的名称，以避免与将来Python语言的变化产生冲突。

5.单下划线 _

按照习惯，有时候单个独立下划线是用作一个名字，来表示某个变量是临时的或无关紧要的。

例如，在下面的循环中，我们不需要访问正在运行的索引，我们可以使用“_”来表示它只是一个临时值：

>>> for _ in range(32): ...    print('Hello, World.')

你也可以在拆分(unpacking)表达式中将单个下划线用作“不关心的”变量，以忽略特定的值。同样，这个含义只是“依照约定”，并不会在Python解释器中触发特殊的行为。单个下划线仅仅是一个有效的变量名称，会有这个用途而已。

在下面的代码示例中，我将汽车元组拆分为单独的变量，但我只对颜色和里程值感兴趣。但是，为了使拆分表达式成功运行，我需要将包含在元组中的所有值分配给变量。在这种情况下，“_”作为占位符变量可以派上用场：

>>> car = ('red', 'auto', 12, 3812.4) >>> color, _, _, mileage = car  >>> color 'red' >>> mileage 3812.4 >>> _ 12

除了用作临时变量之外，“_”是大多数Python REPL中的一个特殊变量，它表示由解释器评估的最近一个表达式的结果。

这样就很方便了，比如你可以在一个解释器会话中访问先前计算的结果，或者，你是在动态构建多个对象并与它们交互，无需事先给这些对象分配名字：

>>> 20 + 3 23 >>> _ 23 >>> print(_) 23  >>> list() [] >>> _.append(1) >>> _.append(2) >>> _.append(3) >>> _ [1, 2, 3]

Python下划线命名模式 - 小结

以下是一个简短的小结，即“速查表”，罗列了我在本文中谈到的五种Python下划线模式的含义：

你想更深入了解学习Python知识体系，你可以看一下我们花费了一个多月整理了上百小时的几百个知识点体系内容：

【超全整理】《Python自动化全能开发从入门到精通》python基础教程笔记

发布于 2018-04-26

Python

Reference:
https://zhuanlan.zhihu.com/p/36173202

posted @ 2019-02-02 01:51 杰哥阅读(559) | 评论 (0) | 编辑收藏

2018年10月13日

How to read *.data in Matlab and Python

See P2 of "HW2_545_2018_"

In Matlab:

z = dlmread('spambase.data',',');

In Python:

import numpy as np

z = np.genfromtxt('spambase.data', dtype=float, delimiter=',')

posted @ 2018-10-13 04:33 杰哥阅读(518) | 评论 (0) | 编辑收藏

2018年9月28日

[zz] Adversarial Nets Papers

摘要: The classic about Generative Adversarial NetworksFirst paper [Generative Adversarial Nets] [Paper] [Code](the First paper of GAN)Unclassified [Deep Generative Image Models using a ... 阅读全文

posted @ 2018-09-28 22:02 杰哥阅读(919) | 评论 (0) | 编辑收藏

[zz] 2018 CVPR GAN 相关论文调研

风格迁移

1. PairedCycleGAN: Asymmetric Style Transfer for Applying and Removing Makeup

（给人脸化妆的风格转移）

http://openaccess.thecvf.com/content_cvpr_2018/papers/Chang_PairedCycleGAN_Asymmetric_Style_CVPR_2018_paper.pdf

2.CartoonGAN: Generative Adversarial Networks for Photo Cartoonization

（将图片转化为卡通风格的GAN）

http://openaccess.thecvf.com/content_cvpr_2018/papers/Chen_CartoonGAN_Generative_Adversarial_CVPR_2018_paper.pdf

3.StarGAN: Unified Generative Adversarial Networks for Multi-Domain Image-to-Image Translation

（人脸多种风格转换）

http://openaccess.thecvf.com/content_cvpr_2018/papers/Choi_StarGAN_Unified_Generative_CVPR_2018_paper.pdf

4.Multi-Content GAN for Few-Shot Font Style Transfer

（字体风格转换）

http://openaccess.thecvf.com/content_cvpr_2018/papers/Azadi_Multi-Content_GAN_for_CVPR_2018_paper.pdf

5.DA-GAN: Instance-level Image Translation by Deep Attention Generative Adversarial Networks

（图到图转换）

http://openaccess.thecvf.com/content_cvpr_2018/papers/Ma_DA-GAN_Instance-Level_Image_CVPR_2018_paper.pdf

6. Conditional Image-to-Image translation

（图到图的转换）

http://openaccess.thecvf.com/content_cvpr_2018/papers/Lin_Conditional_Image-to-Image_Translation_CVPR_2018_paper.pdf

图片处理

1. DeblurGAN: Blind Motion Deblurring Using Conditional Adversarial Networks

（去模糊）

http://openaccess.thecvf.com/content_cvpr_2018/papers/Kupyn_DeblurGAN_Blind_Motion_CVPR_2018_paper.pdf

2.Attentive Generative Adversarial Network for Raindrop Removal from A Single Image

（去除图片中的雨滴）

http://openaccess.thecvf.com/content_cvpr_2018/papers/Qian_Attentive_Generative_Adversarial_CVPR_2018_paper.pdf

3. Deep Photo Enhancer: Unpaired Learning for Image Enhancement from Photographs with GANs

（用于照片增强）

http://openaccess.thecvf.com/content_cvpr_2018/papers/Chen_Deep_Photo_Enhancer_CVPR_2018_paper.pdf

4. SeGAN: Segmenting and Generating the Invisible

（去遮挡）

http://openaccess.thecvf.com/content_cvpr_2018/papers/Ehsani_SeGAN_Segmenting_and_CVPR_2018_paper.pdf

5.Stacked Conditional Generative Adversarial Networks for Jointly Learning Shadow Detection and Shadow Removal

（去阴影）

http://openaccess.thecvf.com/content_cvpr_2018/papers/Wang_Stacked_Conditional_Generative_CVPR_2018_paper.pdf

6.Image Blind Denoising With Generative Adversarial Network Based Noise Modeling

（去噪声）

http://openaccess.thecvf.com/content_cvpr_2018/papers/Chen_Image_Blind_Denoising_CVPR_2018_paper.pdf

7. Single Image Dehazing via Conditional Generative Adversarial Network

（去噪声）

http://openaccess.thecvf.com/content_cvpr_2018/papers/Li_Single_Image_Dehazing_CVPR_2018_paper.pdf

图片生成

1. ST-GAN: Spatial Transformer Generative Adversarial Networks for Image Compositing

（空间转换生成图片）

http://openaccess.thecvf.com/content_cvpr_2018/papers/Lin_ST-GAN_Spatial_Transformer_CVPR_2018_paper.pdf

2. SketchyGAN: Towards Diverse and Realistic Sketch to Image Synthesis

（由边框生成图片）

http://openaccess.thecvf.com/content_cvpr_2018/papers/Chen_SketchyGAN_Towards_Diverse_CVPR_2018_paper.pdf

3. TextureGAN: Controlling Deep Image Synthesis with Texture Patches

（由纹路生成图片）

http://openaccess.thecvf.com/content_cvpr_2018/papers/Xian_TextureGAN_Controlling_Deep_CVPR_2018_paper.pdf

4. Eye In-Painting with Exemplar Generative Adversarial Networks

（给人物画眼睛）

http://openaccess.thecvf.com/content_cvpr_2018/papers/Dolhansky_Eye_In-Painting_With_CVPR_2018_paper.pdf

5.Photographic Text-to-Image Synthesis with a Hierarchically-nested Adversarial Network

（文本生成图片）

http://openaccess.thecvf.com/content_cvpr_2018/papers/Zhang_Photographic_Text-to-Image_Synthesis_CVPR_2018_paper.pdf

6. Logo Synthesis and Manipulation with Clustered Generative Adversarial Networks

（生成logo）

http://openaccess.thecvf.com/content_cvpr_2018/papers/Sage_Logo_Synthesis_and_CVPR_2018_paper.pdf

7. Cross-View Image Synthesis Using Conditional GANs

（街区俯视图和直视转换）

http://openaccess.thecvf.com/content_cvpr_2018/papers/Regmi_Cross-View_Image_Synthesis_CVPR_2018_paper.pdf

8. AttnGAN: Fine-Grained Text to Image Generation with Attentional Generative Adversarial Networks

（文本生成图片）

http://openaccess.thecvf.com/content_cvpr_2018/papers/Xu_AttnGAN_Fine-Grained_Text_CVPR_2018_paper.pdf

9. High-Resolution Image Synthesis and Semantic Manipulation with Conditional GANs

（图像高分辨率）

http://openaccess.thecvf.com/content_cvpr_2018/papers/Wang_High-Resolution_Image_Synthesis_CVPR_2018_paper.pdf

人脸相关

1. Finding Tiny Faces in the Wild with Generative Adversarial Network

（对低分辨率的人脸检测）

http://openaccess.thecvf.com/content_cvpr_2018/papers/Bai_Finding_Tiny_Faces_CVPR_2018_paper.pdf

2. Learning Face Age Progression: A Pyramid Architecture of GANs

（预测年龄）

http://openaccess.thecvf.com/content_cvpr_2018/papers/Yang_Learning_Face_Age_CVPR_2018_paper.pdf

3. Super-FAN: Integrated facial landmark localization and super-resolution of real-world low resolution faces in arbitrary poses with GANs

（对低分辨率人脸超分辨率）

http://openaccess.thecvf.com/content_cvpr_2018/papers/Bulat_Super-FAN_Integrated_Facial_CVPR_2018_paper.pdf

4. Towards Open-Set Identity Preserving Face Synthesis

（人脸合成）

http://openaccess.thecvf.com/content_cvpr_2018/papers/Bao_Towards_Open-Set_Identity_CVPR_2018_paper.pdf

5. Weakly Supervised Facial Action Unit Recognition through Adversarial Training

（人脸表情识别）

http://openaccess.thecvf.com/content_cvpr_2018/papers/Peng_Weakly_Supervised_Facial_CVPR_2018_paper.pdf

6.FaceID-GAN: Learning a Symmetry Three-Player GAN for Identity-Preserving Face Synthesis

（生成多角度人脸）

http://openaccess.thecvf.com/content_cvpr_2018/papers/Shen_FaceID-GAN_Learning_a_CVPR_2018_paper.pdf

7. UV-GAN: Adversarial Facial UV Map Completion for Pose-invariant Face Recognition

（人脸生成）

http://openaccess.thecvf.com/content_cvpr_2018/papers/Deng_UV-GAN_Adversarial_Facial_CVPR_2018_paper.pdf

8.Face Aging with Identity-Preserved Conditional Generative Adversarial Networks

（人脸老化）

http://openaccess.thecvf.com/content_cvpr_2018/papers/Wang_Face_Aging_With_CVPR_2018_paper.pdf

人体相关

1. Deformable GANs for Pose-based Human Image Generation

（人物姿态迁移）

http://openaccess.thecvf.com/content_cvpr_2018/papers/Siarohin_Deformable_GANs_for_CVPR_2018_paper.pdf

2. Social GAN: Socially Acceptable Trajectories with Generative Adversarial Networks

(用GAN生成人行为轨迹追踪)

http://openaccess.thecvf.com/content_cvpr_2018/papers/Gupta_Social_GAN_Socially_CVPR_2018_paper.pdf

3. GANerated Hands for Real-Time 3D Hand Tracking from Monocular RGB

（用GAN生成的手势图片做手势追踪的数据集）

http://openaccess.thecvf.com/content_cvpr_2018/papers/Mueller_GANerated_Hands_for_CVPR_2018_paper.pdf

4. Multistage Adversarial Losses for Pose-Based Human Image Synthesis

（人体姿态合成）

http://openaccess.thecvf.com/content_cvpr_2018/papers/Si_Multistage_Adversarial_Losses_CVPR_2018_paper.pdf

5. Disentangled Person Image Generation

（人体合成）

http://openaccess.thecvf.com/content_cvpr_2018/papers/Ma_Disentangled_Person_Image_CVPR_2018_paper.pdf

domain adaptation

（这个没来得及找了，可能转行咯~ 唉）

1. Generate to Adapt: Aligning Domains Using Generative Adversarial Networks

2. Re-Weighted Adversarial Adaptation Network for Unsupervised Domain Adaptation

3. Adversarial Feature Augmentation for Unsupervised Domain Adaptation

4. Domain Generalization With Adversarial Feature Learning

5. Image to Image Translation for Domain Adaptation

6. Duplex Generative Adversarial Network for Unsupervised Domain Adaptation

7. Conditional Generative Adversarial Network for Structured Domain Adaptation

目标跟踪检测

1.Generative Adversarial Learning Towards Fast Weakly Supervised Detection

（弱监督检测）

http://openaccess.thecvf.com/content_cvpr_2018/papers/Shen_Generative_Adversarial_Learning_CVPR_2018_paper.pdf

2. SINT++: Robust Visual Tracking via Adversarial Positive Instance Generation

（对抗学习生成轨迹样本）

http://openaccess.thecvf.com/content_cvpr_2018/papers/Wang_SINT_Robust_Visual_CVPR_2018_paper.pdf

3. VITAL: VIsual Tracking via Adversarial Learning

http://openaccess.thecvf.com/content_cvpr_2018/papers/Song_VITAL_VIsual_Tracking_CVPR_2018_paper.pdf

GAN模型优化

1. SGAN: An Alternative Training of Generative Adversarial Network

（替代训练GAN）

http://openaccess.thecvf.com/content_cvpr_2018/papers/Chavdarova_SGAN_An_Alternative_CVPR_2018_paper.pdf

2. GAGAN: Geometry-Aware Generative Adversarial Networks

（一种关注几何外形的GAN）

http://openaccess.thecvf.com/content_cvpr_2018/papers/Kossaifi_GAGAN_Geometry-Aware_Generative_CVPR_2018_paper.pdf

3.Global versus Localized Generative Adversarial Nets

(局部优化GAN)

http://openaccess.thecvf.com/content_cvpr_2018/papers/Qi_Global_Versus_Localized_CVPR_2018_paper.pdf

4. Generative Adversarial Image Synthesis with Decision Tree Latent Controller

（决策树）

http://openaccess.thecvf.com/content_cvpr_2018/papers/Kaneko_Generative_Adversarial_Image_CVPR_2018_paper.pdf

5. Unsupervised Deep Generative Adversarial Hashing Network

（哈希GAN）

http://openaccess.thecvf.com/content_cvpr_2018/papers/Dizaji_Unsupervised_Deep_Generative_CVPR_2018_paper.pdf

6. Multi-Agent Diverse Generative Adversarial Networks

（多个生成器GAN）

http://openaccess.thecvf.com/content_cvpr_2018/papers/Ghosh_Multi-Agent_Diverse_Generative_CVPR_2018_paper.pdf

7. Duplex Generative Adversarial Network for Unsupervised Domain Adaptation

（双鉴别器GAN）

http://openaccess.thecvf.com/content_cvpr_2018/papers/Hu_Duplex_Generative_Adversarial_CVPR_2018_paper.pdf

图像分割

1. Translating and Segmenting Multimodal Medical Volumes With Cycle- and Shape-Consistency Generative Adversarial Network

（图像分割）

http://openaccess.thecvf.com/content_cvpr_2018/papers/Zhang_Translating_and_Segmenting_CVPR_2018_paper.pdf

行人重识别

1. Person Transfer GAN to Bridge Domain Gap for Person Re-Identification

（用GAN生成的人体检测的图片）

http://openaccess.thecvf.com/content_cvpr_2018/papers/Wei_Person_Transfer_GAN_CVPR_2018_paper.pdf

2. Image-Image Domain Adaptation with Preserved Self-Similarity and Domain-Dissimilarity for Person Re-identification

http://openaccess.thecvf.com/content_cvpr_2018/papers/Deng_Image-Image_Domain_Adaptation_CVPR_2018_paper.pdf

视觉特征提取

1. Visual Feature Attribution using Wasserstein GANs

http://openaccess.thecvf.com/content_cvpr_2018/papers/Baumgartner_Visual_Feature_Attribution_CVPR_2018_paper.pdf

域自适应学习

1. Generate To Adapt: Aligning Domains using Generative Adversarial Networks

（视觉域自适应）

http://openaccess.thecvf.com/content_cvpr_2018/papers/Sankaranarayanan_Generate_to_Adapt_CVPR_2018_paper.pdf

图像检索

1. HashGAN: Deep Learning to Hash with Pair Conditional Wasserstein GAN

http://openaccess.thecvf.com/content_cvpr_2018/papers/Cao_HashGAN_Deep_Learning_CVPR_2018_paper.pdf

迁移学习

1.Partial Transfer Learning With Selective Adversarial Networks

http://openaccess.thecvf.com/content_cvpr_2018/papers/Cao_Partial_Transfer_Learning_CVPR_2018_paper.pdf

视频生成

1. MoCoGAN: Decomposing Motion and Content for Video Generation

（用GAN生成视频）

http://openaccess.thecvf.com/content_cvpr_2018/papers/Tulyakov_MoCoGAN_Decomposing_Motion_CVPR_2018_paper.pdf

2. Learning to Generate Time-Lapse Videos Using Multi-Stage Dynamic Generative Adversarial Networks

（生成延时视频）

http://openaccess.thecvf.com/content_cvpr_2018/papers/Xiong_Learning_to_Generate_CVPR_2018_paper.pdf

小结：

可以看出GAN相关的论文还不少呀，各个方面的都有，可是我个人觉得，可能没有那种特别厉害的吧~hh

--------------------- 本文来自眉间细雪的CSDN 博客，全文地址请点击：https://blog.csdn.net/weixin_42445501/article/details/82792311?utm_source=copy

posted @ 2018-09-28 22:00 杰哥阅读(1421) | 评论 (0) | 编辑收藏

仅列出标题下一页

常用链接

留言簿(57)

随笔分类

随笔档案

相册

Other

Paper submission

福彩

留学相关

论坛

搜索

学者

邮箱

中科大和中科院

搜索

最新评论

阅读排行榜

评论排行榜