全网搜集目标检测文章，人工筛选最优价值内容

编者荐语

GAN优秀的结果是以繁琐的训练过程（生成器(G)与鉴别器(D)在两个阶段中交替更新）为代价的。文章针对此问题提出的一阶段训练方案，平均比常规训练方案产生1.5倍的稳定加速！代码即将开源。

转载自 | 迈微AI研习社

• 作者单位：浙江大学, 史蒂文斯理工学院, 阿里巴巴, 之江实验室

• 论文：https://arxiv.org/abs/2103.00430

生成对抗网络（GANs）已在各种图像生成任务中取得了空前的成功。然而，令人鼓舞的结果是以繁琐的训练过程为代价的，在此过程中，生成器和鉴别器在两个阶段中交替更新。

在本文中，我们研究了一种通用训练方案，该方案仅在一个阶段即可有效地训练GAN。

基于生成器和鉴别器的对抗损失，我们将GAN分为对称GAN和非对称GAN两类，并引入一种新颖的梯度分解方法来统一这两类，从而使我们可以在一个阶段训练这两个类，从而减轻了训练成本。

算法细节（建议去看原文, 点击阅读更多）

实验结果

对几个数据集和各种网络体系结构的计算分析和实验结果表明，无论生成器和鉴别器的网络体系结构如何，所提出的一阶段训练方案均比常规训练方案产生1.5倍的稳定加速。此外，我们表明，提出的方法很容易适用于其他对抗训练方案，例如无数据知识蒸馏。我们的源代码将很快发布。

---END---

双一流大学研究生团队创建，一个专注于目标检测与深度学习的组织，希望可以将分享变成一种习惯。 

将「目标检测与深度学习」设为星标★，并点击右下角“在看“，解锁推送限制，第一时间收到我们的分享。

整理不易，点赞三连↓