Be the only one, not the best one

State of the art in image manipulation (stylegan)
https://www.catalyzex.com/paper/arxiv:2102.02766

👇 Free extension to get code for ML papers (❤️' by Andrew Ng) Chrome: https://chrome.google.com/webstore/detail/find-code-for-research-pa/aikkeehnlfpamidigaffhfmgbkdeheil
Firefox: https://addons.mozilla.org/en-US/firefox/addon/code-finder-catalyzex

안녕하세요. 제 깃헙에 아래 첨부한 사진에 나오는 모델들을 개인 공부 차원으로 구현해 보았으니 필요하신 분들은 편하게 가져가세요~~~~

PS : Multi-Head Attention 기능도 포함 되어 있습니다.!
https://github.com/jk96491/Advanced_Models

러가지 유명한 신경망 모델들을 제공합니다.
제공 모델들 : DCGAN, CGAN, SA-GAN ,GAN, Resnet, VAE, Multi-Head Attention, GPT-2

안녕하세요, TensorFlow KR 여러분!

생성 모델(Generative Model)은 실제로는 존재하지 않지만, 있을법한 데이터를 만들 수 있는 모델을 의미합니다. 오늘은 현대 딥러닝 기반의 생성 모델에 큰 영향을 끼친 논문인 GAN(NIPS 2014)을 소개합니다. GAN은 특히 이미지 도메인에서의 많은 발전이 이루어져 특정한 도메인의 이미지(사람의 얼굴, 동물의 형체 등)를 생성하거나 수정하는 작업을 수월하게 만들어주고 있습니다.

사실 GAN은 나온 지 오래되어 너무 잘 알려진 논문이며 아이디어는 참 직관적이지만, 증명적인 내용은 딥러닝 입문자가 처음 읽기에는 난이도가 높다고 생각합니다. 고등학교 때 문과였던 저를 포함해 많은 개발자분에게는 논문에 적힌 수식을 이해하기가 어렵고, 고등학교 때 어렴풋이 배웠던 확률 분포 개념부터 헷갈려 헤맬 수 있습니다.

본 영상에서는 GAN 아이디어 및 수식에 대한 내용 요약, PyTorch로 MNIST 이미지 생성해보는 실습, NIPS 2014에 업로드된 GAN 논문 원서를 함께 읽어보는 내용을 한꺼번에 포함하고 있습니다. 생성 모델 쪽을 처음 공부하시는 분들에게 도움이 되었으면 좋겠습니다.

영상 링크:

Its the time of the week ... new #PyTorch libraries:
FSGAN - Official PyTorch Implementation:
https://github.com/YuvalNirkin/fsgan

ARMORY Adversarial Robustness Evaluation Test Bed:
https://github.com/twosixlabs/armory

PyTorch framework for Deep Learning research and development:
https://github.com/catalyst-team/catalyst

A PyTorch impl of EfficientDet faithful to the original Google impl w/ ported weights:
https://github.com/rwightman/efficientdet-pytorch

Unofficial PyTorch Implementation of EvoNorm https://arxiv.org/pdf/2004.02967.pdf:
https://github.com/digantamisra98/EvoNorm

#datascientist #datascience #machinelearning #dl #deeplearning #ai #artificialintelligence

[GAN] GAN — GAN Series (from the beginning to the end)

GAN zoo 등은 GAN이 너무 많아 어떤 내용부터 봐야할지 모르겠다면, 이 글을 추천합니다.

- GAN 개요
- GAN 프로젝트 예시
- GAN | Improving network design
- GAN | Improving cost function
- 그외 여러 GAN Issue

라는 큰 주제로 글을 잘 정리해두었습니다. 저도 이 순서와 Jaejun Yoo's Playground님의 자료(http://jaejunyoo.blogspot.com/search/label/GAN)를 바탕으로 Keynote를 만들고 있습니다.

매일 읽으면 해당 논문들을 2020상반기까지 읽을 수 있겠죠?? :)
함께 Keep Going 합시다!!

link : https://medium.com/@jonathan_hui/gan-gan-series-2d279f906e7b

https://www.facebook.com/groups/847991005393886/permalink/1162345990625051/?sfnsn=mo아시는 분은 이미 아시겠지만 Nvidia의 StyleGAN v2 가 공개되었습니다. 전체적으로 generation 성능이 매우 개선되었습니다. 앞으로 발전이 더 기대가 되네요!

Video: [https://www.youtube.com/watch?v=c-NJtV9Jvp0](https://www.youtube.com/watch?v=c-NJtV9Jvp0)

Code: [https://github.com/NVlabs/stylegan2](https://github.com/NVlabs/stylegan2)

Paper: [https://arxiv.org/abs/1912.04958](https://arxiv.org/abs/1912.04958)

MoCoGAN: Decomposing Motion and Content for Video Generation

This repository contains an implementation and further details of MoCoGAN: Decomposing Motion and Content for Video Generation by Sergey Tulyakov, Ming-Yu Liu, Xiaodong Yang, Jan Kautz.

Representation

MoCoGAN is a generative model for videos, which generates videos from random inputs. It features separated representations of motion and content, offering control over what is generated. For example, MoCoGAN can generate the same object performing different actions, as well as the same action performed by different objects

Examples of generated videos

We trained MoCoGAN on the MUG Facial Expression Database to generate facial expressions. When fixing the content code and changing the motion code, it generated the same person performs different expressions. When fixing the motion code and changing the content code, it generated different people performs the same expression. In the figure shown below, each column has fixed identity, each row shows the same action:

We trained MoCoGAN on a human action dataset where content is represented by the performer, executing several actions. When fixing the content code and changing the motion code, it generated the same person performs different actions. When fixing the motion code and changing the content code, it generated different people performs the same action. Each pair of images represents the same action executed by different people:

We have collected a large-scale TaiChi dataset including 4.5K videos of TaiChi performers. Below are videos generated by MoCoGAN.

Training MoCoGAN

Please refer to a wiki page

Citation

If you use MoCoGAN in your research please cite our paper:

Sergey Tulyakov, Ming-Yu Liu, Xiaodong Yang, Jan Kautz, "MoCoGAN: Decomposing Motion and Content for Video Generation"