Аннотация
We train generative ’up-convolutional’ neural networks which are able to generate images of objects given object style, viewpoint, and color. We train the networks on rendered 3D models of chairs, tables, and cars. Our experiments show that the networks do not merely learn all images by heart, but rather find a meaningful representation of 3D models allowing them to assess the similarity of different models, interpolate between given views to generate the missing ones, extrapolate views, and invent new objects not present in the training set by recombining training instances, or even two different object classes. Moreover, we show that such generative networks can be used to find correspondences between different objects from the dataset, outperforming existing approaches on this task.
![Вступ до програмування мовою C++. Організація обчислень [укр.]](https://www.rulit.me/data/programs/images/vstup-do-programuvannya-movoyu-c-organizaciya-obchislen-ukr_565852.jpg "Висвітлено основні поняття програмування, базові типи, операції й засоби організації обчислень мовою C++, а також елементи технології створення програм. Наведено...")
![Вальсируя с медведями [Управление рисками в проектах по разработке программного обеспечения]](https://www.rulit.me/data/programs/images/valsiruya-s-medvedyami-upravlenie-riskami-v-proektah-po-razr_561573.jpg "В этой книге Том ДеМарко и Тимоти Листер, авторы бестселлера Peopleware, рассказывают, как идентифицировать риски, управлять ими и извлекать выгоду из рисков.
...")
Комментарии к книге "Learning to Generate Chairs, Tables and Cars with Convolutional Networks"