标签：ax1   stride   网络   应用   last   语义   输出矩阵   strong   code   

马尔可夫判别器（PatchGAN）

概念

• 马尔可夫判别器是判别模型的一种。
• 基于CNN的分类模型有很多种，很多网络都是在最后引入了一个全连接层，然后将判别的结果输出（输出结点）。
• 马尔可夫判别器则是不一样，直观来看，它完全由卷积层构成，最后输出的是一个n*n的矩阵，最后取输出矩阵的均值作为True/False的输出。
• 事实上，输出矩阵中的每一个输出，代表着原图中一个感受野，对应了原图的一片（patch），而具有这样结构的GAN被称为PatchGAN。

优点应用

• 目前来看，在图像风格迁移领域中，我们这里沿用Gatys论文中关于风格迁移的想法，即风格迁移分为两部分：内容部分和纹理部分。

• 内容部分是指生成图像和原图像在内容（语义）上的相似性；

  • 纹理部分是指生成图像和目标图像在纹理上的相似性。
  • 马尔可夫判别器对于风格迁移中的超高分辨率、图片清晰化有一定的高分辨率、高细节的保持。

• 目前，马尔可夫判别器用于Pix2Pix和CycleGAN等GAN网络中。

感受域计算

• 每一层感受域的计算公式为：
  • input_size = (output_size-1)*k_stride+k_size
    • 感受域：输出结点（输出网络中的每个结点）对输入网络的感受野的范围（可以从输出网络大小反推感受野的大小）；
    • input_size：为输出结点感受域的大小；
    • k_stride：卷积核的移动步长；
    • k_size：输入输出之间卷积核的大小；
• 以之前分析的CycleGAN代码中的马尔可夫判别器为例：
  • 
  • last_conv输出（k_stride=1）
    • 假设其中一个节点，即output_size=1，计算得到CK4的大小（input_size）为4；
    • 同理，假设CK4_size = 4，则CK3_size = (4-1)*2+4=10；
    • 同理，CK2_size = (10-1)*2+4=22；
    • 同理，CK1_size = (22-1)*2+4=46；
    • 同理，input = (46-1)*2+4=46，即 input的感受域大小为94；
• 参考博客：博客1、博客2、博客3包括实现代码、更具体

光谱归一化马尔科夫判别器

待整理

Spectral Normalized Markovian Discriminator（SNPatchGAN）[光谱归一化马尔科夫判别器]

标签：ax1   stride   网络   应用   last   语义   输出矩阵   strong   code   

原文地址：https://www.cnblogs.com/wenshinlee/p/12855659.html