A study on optimizing deep learning models for creative generation of animated new media advertisements: an application based on improved generative adversarial networks (GANs) and variational autocoders (VAEs)
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In order to optimize the performance of generative adversarial networks on automatic advertisement image generation, this paper combines the variational self-encoder with generative adversarial networks, which consists of four parts: encoder network, decoder network, target-to-be-attacked network, and discriminator network to form a new adversarial sample generation method based on GANs, i.e., AdvAE-GAN model.To make the generated samples more clear and natural, the adversarial learning mechanism and similarity metric (PCE) are added to the AdvAE-GAN model.To obtain the performance of the model in diverse image coloring, multiple methods are elicited for subjective and objective qualitative evaluation and model complexity analysis, respectively.Combining the four standard datasets of AWA, CUB, SUN and FLO, zero-sample image recognition, generalized zero-sample learning experiments are carried out sequentially to derive the loss value curve of the model.The visual effects of animated advertisements generated by AdvAE-GAN model are rated using questionnaire research.For the product effect of animated advertisements generated by AdvAE-GAN model, the category diversity, design diversity, animation contour completeness, and image clarity indexes with scores above 7 account for 70.47%, 85.82%, 76.73%, and 84.02%, respectively.The animated advertisement generation model based on improved generative adversarial network is recognized by the market as well as the society and can be deepened.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle