「CV研究合辑」,是智东西公开课针对计算机视觉推出的一档合辑,聚焦于计算机视觉前沿领域研究成果与进展的讲解。每一讲由主讲与答疑两个环节组成,其中,主讲60分钟,采用视频直播形式,答疑30分钟,将在相应交流群进行。

神经网络由于网络特征或决策逻辑在语义层面难以理解,同时也缺少数学工具去诊断与评测网络的特征表达能力,进而解释目前不同神经网络模型的信息处理特点,一直被大家称为是一种“黑箱”。而如何对神经网络进行“解释”,称为近年来的热门研究方向。

生成对抗网络近年来随着其不断的发展,生成图片的质量以及模型的训练稳定性不断提高。然而,对于对抗生成网络的可解释性还少有研究。生成图片的过程是否有迹可循?生成模型是否像分类模型一样可以学到高级的语义信息?除了生成高清图片之外,一个预训练好的生成模型还有哪些应用?

6月5日晚8点,智东西公开课「CV研究合辑」第7讲直播开讲,由香港中文大学MMLab在读博士沈宇军为大家深度讲解《生成对抗网络的可解释性研究及其应用》。沈博士将从隐空间的角度出发,深入分析对抗生成网络的可解释性,并介绍如何对生成网络自发学到的知识进行再利用,使得一个预训练好的模型可以被应用到各种各样的任务中去。

沈宇军,香港中文大学MMLab在读博士,师从汤晓鸥教授和周博磊教授,香港博士研究生奖学金计划(HKPFS)获得者。沈博士本科毕业于清华大学电子工程系。

课程内容

主题:生成对抗网络的可解释性研究及其应用

提纲:
1、生成对抗网络的可解释性
2、基于隐空间可解释性的深度解析
3、如何对生成网络自发学到的知识进行再利用

讲师介绍

沈宇军,香港中文大学MMLab在读博士,师从汤晓鸥教授和周博磊教授,香港博士研究生奖学金计划(HKPFS)获得者;本科毕业于清华大学电子工程系。

直播信息

直播时间:6月5日20点
直播地点:智东西公开课小程序
答疑地址:GAN交流群

加入交流群

本次课程的讲解分为主讲和答疑两部分,主讲以视频直播形式,答疑将在「GAN交流群」进行。

加入交流群,除了可以免费收看直播之外,还能认识讲师,与更多同行和同学一起学习,并进行深度讨论。

扫码添加小助手糖糖(ID:hitang20)即可申请,备注“姓名-公司/学校/单位-职位/专业”的朋友将会优先审核通过哦~