論文の概要: Assembling Semantically-Disentangled Representations for
Predictive-Generative Models via Adaptation from Synthetic Domain
- arxiv url: http://arxiv.org/abs/2002.09818v1
- Date: Sun, 23 Feb 2020 03:35:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-29 09:36:32.162309
- Title: Assembling Semantically-Disentangled Representations for
Predictive-Generative Models via Adaptation from Synthetic Domain
- Title(参考訳): 合成領域からの適応による予測生成モデルに対する意味的不整合表現の組み立て
- Authors: Burkay Donderici, Caleb New, Chenliang Xu
- Abstract要約: 物理ベースエンジンの助けを借りて意味的に整合した表現を生成可能であることを示す。
提案手法は,実際のデータラベルに依存することなく,人間の顔特性の条件生成モデルを構築することができる。
- 参考スコア(独自算出の注目度): 32.42156485883356
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep neural networks can form high-level hierarchical representations of
input data. Various researchers have demonstrated that these representations
can be used to enable a variety of useful applications. However, such
representations are typically based on the statistics within the data, and may
not conform with the semantic representation that may be necessitated by the
application. Conditional models are typically used to overcome this challenge,
but they require large annotated datasets which are difficult to come by and
costly to create. In this paper, we show that semantically-aligned
representations can be generated instead with the help of a physics based
engine. This is accomplished by creating a synthetic dataset with decoupled
attributes, learning an encoder for the synthetic dataset, and augmenting
prescribed attributes from the synthetic domain with attributes from the real
domain. It is shown that the proposed (SYNTH-VAE-GAN) method can construct a
conditional predictive-generative model of human face attributes without
relying on real data labels.
- Abstract(参考訳): ディープニューラルネットワークは入力データの高レベルの階層表現を形成することができる。
様々な研究者が、これらの表現が様々な有用な応用を可能にすることを実証している。
しかし、そのような表現は典型的にはデータ内の統計に基づいており、アプリケーションによって必要となる意味表現には適合しない。
条件付きモデルは一般的にこの課題を克服するために使用されるが、作成が困難でコストがかかる大規模な注釈付きデータセットを必要とする。
本稿では,物理エンジンの助けを借りて,意味的に整合した表現を生成できることを示す。
これは、分離属性を持つ合成データセットを作成し、合成データセットのエンコーダを学習し、実際のドメインから属性を持つ合成ドメインから所定の属性を増強することで達成される。
提案手法は,実際のデータラベルに依存することなく,人間の顔属性の条件付き予測生成モデルを構築することができることを示した。
関連論文リスト
- Modified CycleGAN for the synthesization of samples for wheat head
segmentation [0.09999629695552192]
注釈付きデータセットがない場合は、モデル開発に合成データを使用することができる。
そこで我々は,小麦頭部分割のための現実的な注釈付き合成データセットを開発した。
その結果、Diceのスコアは内部データセットで83.4%、外部のGlobal Wheat Head Detectionデータセットで83.6%に達した。
論文 参考訳(メタデータ) (2024-02-23T06:42:58Z) - Learning Defect Prediction from Unrealistic Data [57.53586547895278]
事前訓練されたコードのモデルは、コード理解と生成タスクに人気がある。
このようなモデルは大きい傾向があり、訓練データの総量を必要とする。
人工的に注入されたバグのある関数など、はるかに大きくてもより現実的なデータセットを持つモデルをトレーニングすることが一般的になった。
このようなデータで訓練されたモデルは、実際のプログラムでは性能が劣りながら、同様のデータでのみうまく機能する傾向にある。
論文 参考訳(メタデータ) (2023-11-02T01:51:43Z) - CasTGAN: Cascaded Generative Adversarial Network for Realistic Tabular
Data Synthesis [0.4999814847776097]
近年,GAN(Generative Adversarial Network)が注目されている。
合成データの妥当性と基礎となるプライバシーに関する懸念は、十分に対処されていない主要な課題を表している。
論文 参考訳(メタデータ) (2023-07-01T16:52:18Z) - Synthetic-to-Real Domain Adaptation for Action Recognition: A Dataset
and Baseline Performances [87.20906333918032]
ロボット制御ジェスチャー(RoCoG-v2)と呼ばれる新しいデータセットを導入する。
データセットは7つのジェスチャークラスの実ビデオと合成ビデオの両方で構成されている。
我々は,最先端の行動認識とドメイン適応アルゴリズムを用いて結果を示す。
論文 参考訳(メタデータ) (2023-03-17T23:23:55Z) - Rule-adhering synthetic data -- the lingua franca of learning [0.0]
本研究では、ドメインの専門知識をデータ合成に組み込むアプローチについて検討する。
生成した合成データジェネレータは、任意の種類の新しいサンプルに対してプローブすることができる。
我々は、公開データセットの概念を実証し、その利点を記述的分析と下流MLモデルを用いて評価する。
論文 参考訳(メタデータ) (2022-09-12T20:01:13Z) - Label-Free Model Evaluation with Semi-Structured Dataset Representations [78.54590197704088]
ラベルなしモデル評価(AutoEval)は、ラベルなしテストセットでモデル精度を推定する。
画像ラベルがない場合、データセット表現に基づいて、回帰を伴うAutoEvalのモデル性能を推定する。
本稿では,AutoEvalのリッチな情報を含む回帰学習のための半構造化データセット表現を提案する。
論文 参考訳(メタデータ) (2021-12-01T18:15:58Z) - On the use of automatically generated synthetic image datasets for
benchmarking face recognition [2.0196229393131726]
GAN(Generative Adversarial Networks)の最近の進歩は、実際のデータセットを合成データセットで置き換える経路を提供する。
現実的な顔画像を合成するためのGAN(Generative Adversarial Networks)の最近の進歩は、実際のデータセットを合成データセットで置き換える経路を提供する。
合成データセットのベンチマーク結果は、良い置換であり、多くの場合、実際のデータセットのベンチマークと同様のエラー率とシステムランキングを提供する。
論文 参考訳(メタデータ) (2021-06-08T09:54:02Z) - Generative Counterfactuals for Neural Networks via Attribute-Informed
Perturbation [51.29486247405601]
AIP(Attribute-Informed Perturbation)の提案により,生データインスタンスの反事実を生成するフレームワークを設計する。
異なる属性を条件とした生成モデルを利用することで、所望のラベルとの反事実を効果的かつ効率的に得ることができる。
実世界のテキストや画像に対する実験結果から, 設計したフレームワークの有効性, サンプル品質, および効率が示された。
論文 参考訳(メタデータ) (2021-01-18T08:37:13Z) - Partially Conditioned Generative Adversarial Networks [75.08725392017698]
Generative Adversarial Networks (GAN)は、実世界のトレーニングデータセットの基盤となる確率分布を暗黙的にモデル化することで、人工データセットを合成する。
条件付きGANとその変種の導入により、これらの手法はデータセット内の各サンプルで利用可能な補助情報に基づいて条件付きサンプルを生成するように拡張された。
本研究では,標準条件付きGANがそのようなタスクに適さないことを論じ,新たなAdversarial Networkアーキテクチャとトレーニング戦略を提案する。
論文 参考訳(メタデータ) (2020-07-06T15:59:28Z) - Interpretable Entity Representations through Large-Scale Typing [61.4277527871572]
本稿では,人間の読みやすいエンティティ表現を作成し,箱から高パフォーマンスを実現する手法を提案する。
我々の表現は、微粒な実体型に対する後続確率に対応するベクトルである。
特定のドメインに対して,学習に基づく方法で,型セットのサイズを縮小できることを示す。
論文 参考訳(メタデータ) (2020-04-30T23:58:03Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。