ترجمه فارسی مقاله تقطیر مجموعه داده های تولیدی بر اساس مدل انتشار

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Generative Dataset Distillation Based on Diffusion Model
عنوان مقاله به فارسی تقطیر مجموعه داده های تولیدی بر اساس مدل انتشار
نویسندگان Duo Su, Junjie Hou, Guang Li, Ren Togo, Rui Song, Takahiro Ogawa, Miki Haseyama
فرمت مقاله انگلیسی PDF
تعداد صفحات 12
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Computer Vision and Pattern Recognition,Artificial Intelligence,Machine Learning,چشم انداز رایانه و تشخیص الگوی , هوش مصنوعی , یادگیری ماشین ,
توضیحات Submitted 16 August, 2024; originally announced August 2024. , Comments: The Third Place Winner in Generative Track of the ECCV 2024 DD Challenge
توضیحات به فارسی ارائه شده 16 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، نظرات: برنده مقام سوم در آهنگ تولیدی ECCV 2024 DD Challenge
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

This paper presents our method for the generative track of The First Dataset Distillation Challenge at ECCV 2024. Since the diffusion model has become the mainstay of generative models because of its high-quality generative effects, we focus on distillation methods based on the diffusion model. Considering that the track can only generate a fixed number of images in 10 minutes using a generative model for CIFAR-100 and Tiny-ImageNet datasets, we need to use a generative model that can generate images at high speed. In this study, we proposed a novel generative dataset distillation method based on Stable Diffusion. Specifically, we use the SDXL-Turbo model which can generate images at high speed and quality. Compared to other diffusion models that can only generate images per class (IPC) = 1, our method can achieve an IPC = 10 for Tiny-ImageNet and an IPC = 20 for CIFAR-100, respectively. Additionally, to generate high-quality distilled datasets for CIFAR-100 and Tiny-ImageNet, we use the class information as text prompts and post data augmentation for the SDXL-Turbo model. Experimental results show the effectiveness of the proposed method, and we achieved third place in the generative track of the ECCV 2024 DD Challenge. Codes are available at https://github.com/Guang000/BANKO.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله روش ما برای آهنگ تولیدی اولین چالش تقطیر مجموعه داده ها در ECCV 2024 ارائه شده است. از آنجا که مدل انتشار به دلیل اثرات تولیدی با کیفیت بالا ، به اصلی ترین مدل های تولیدی تبدیل شده است ، ما بر روی روش های تقطیر مبتنی بر مدل انتشار تمرکز می کنیم.با توجه به اینکه این آهنگ فقط می تواند با استفاده از یک مدل تولیدی برای مجموعه داده های Cifar-100 و Tiny-Imagenet ، تعداد مشخصی از تصاویر را در 10 دقیقه ایجاد کند ، ما باید از یک مدل تولیدی استفاده کنیم که می تواند با سرعت بالا تصاویر ایجاد کند.در این مطالعه ، ما یک روش تقطیر مجموعه داده های تولیدی جدید را بر اساس انتشار پایدار پیشنهاد کردیم.به طور خاص ، ما از مدل SDXL-Turbo استفاده می کنیم که می تواند تصاویر را با سرعت و کیفیت بالا تولید کند.در مقایسه با سایر مدل های انتشار که فقط می توانند در هر کلاس تصاویر (IPC) = 1 ایجاد کنند ، روش ما می تواند به ترتیب IPC = 10 را برای Imagenet کوچک و IPC = 20 برای CIFAR-100 به دست آورد.علاوه بر این ، برای تولید مجموعه داده های مقطر با کیفیت بالا برای CIFAR-100 و Imagenet Tiny ، ما از اطلاعات کلاس به عنوان متن متن استفاده می کنیم و افزایش داده ها را برای مدل SDXL توربو ارسال می کنیم.نتایج تجربی اثربخشی روش پیشنهادی را نشان می دهد ، و ما در مسیر تولیدی چالش ECCV 2024 DD به مقام سوم رسیدیم.کدها در https://github.com/guang000/banko در دسترس هستند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.