Fugu-MT 論文翻訳(概要): Topology Distance: A Topology-Based Approach For Evaluating Generative Adversarial Networks

論文の概要: Topology Distance: A Topology-Based Approach For Evaluating Generative Adversarial Networks

arxiv url: http://arxiv.org/abs/2002.12054v1
Date: Thu, 27 Feb 2020 12:06:41 GMT
ステータス: 処理完了
システム内更新日: 2022-12-28 07:37:18.476964
Title: Topology Distance: A Topology-Based Approach For Evaluating Generative Adversarial Networks
Title（参考訳）: トポロジー距離:創発的逆ネットワーク評価のためのトポロジーベースアプローチ
Authors: Danijela Horak, Simiao Yu, Gholamreza Salimi-Khorshidi
Abstract要約: トポロジー距離 (TD) は、実データの潜在多様体の幾何学的特徴と位相的特徴を生成されたデータと比較する。我々はTDと、その分野で最もよく使われている、関連する指標である、Inception Score(IS)、Frechet Inception Distance(FID)、Kernel Inception Distance(KID)、Geometry Score(GS)を比較した。
参考スコア（独自算出の注目度）: 6.4029134551560345
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Automatic evaluation of the goodness of Generative Adversarial Networks (GANs) has been a challenge for the field of machine learning. In this work, we propose a distance complementary to existing measures: Topology Distance (TD), the main idea behind which is to compare the geometric and topological features of the latent manifold of real data with those of generated data. More specifically, we build Vietoris-Rips complex on image features, and define TD based on the differences in persistent-homology groups of the two manifolds. We compare TD with the most commonly used and relevant measures in the field, including Inception Score (IS), Frechet Inception Distance (FID), Kernel Inception Distance (KID) and Geometry Score (GS), in a range of experiments on various datasets. We demonstrate the unique advantage and superiority of our proposed approach over the aforementioned metrics. A combination of our empirical results and the theoretical argument we propose in favour of TD, strongly supports the claim that TD is a powerful candidate metric that researchers can employ when aiming to automatically evaluate the goodness of GANs' learning.
Abstract（参考訳）: GAN(Generative Adversarial Networks)の自動評価は、機械学習分野における課題である。本研究では,実データの潜在多様体の幾何学的特徴と位相的特徴を生成データとを比較することを主目的とするトポロジー距離 (td) という既存の尺度を補完する距離を提案する。より具体的には、2つの多様体の永続ホモロジー群の違いに基づいて、画像特徴量に基づいてVietoris-Rips複合体を構築し、TDを定義する。我々はTDを、様々なデータセットにおける様々な実験において、Inception Score(IS)、Frechet Inception Distance(FID)、Kernel Inception Distance(KID)、Geometry Score(GS)など、この分野で最もよく使われている、関連する指標と比較した。上記のメトリクスに対する提案手法の独特なアドバンテージと優位性を実証する。実験結果とTDを支持する理論的議論を組み合わせることで,TDはGANの学習の良さを自動評価する上で,研究者が活用できる強力な候補指標である,という主張を強く支持する。

関連論文リスト

GSSF: Generalized Structural Sparse Function for Deep Cross-modal Metric Learning [51.677086019209554]
ペアワイド類似性学習のためのモダリティ間の強力な関係を捕捉する汎用構造スパースを提案する。距離メートル法は、対角線とブロック対角線の2つの形式を微妙にカプセル化する。クロスモーダルと2つの余分なユニモーダル検索タスクの実験は、その優位性と柔軟性を検証した。
論文参考訳（メタデータ） (2024-10-20T03:45:50Z)
Towards Unified 3D Object Detection via Algorithm and Data Unification [70.27631528933482]
我々は、最初の統一型マルチモーダル3Dオブジェクト検出ベンチマークMM-Omni3Dを構築し、上記のモノクロ検出器をマルチモーダルバージョンに拡張する。設計した単分子・多モード検出器をそれぞれUniMODEとMM-UniMODEと命名した。
論文参考訳（メタデータ） (2024-02-28T18:59:31Z)
Active Neural Topological Mapping for Multi-Agent Exploration [24.91397816926568]
マルチエージェント協調探索問題では、複数のエージェントが限られた時間で感覚信号を介して見えない環境を探索する必要がある。トポロジカルマップは、抽象的だが不可欠な情報を持つノードとエッジのみからなる、有望な代替手段である。深層強化学習は、高速なエンドツーエンド推論を通じて(ほぼ)最適ポリシーを学ぶ大きな可能性を示している。マルチエージェント探索作業における探索効率の向上と一般化を目的とした,Multi-Agent Neural Topological Mapping (MANTM)を提案する。
論文参考訳（メタデータ） (2023-11-01T03:06:14Z)
Representation Topology Divergence: A Method for Comparing Neural Network Representations [10.74105109486386]
そこで我々は,Top Representationology Divergence (RTD, Top Representationology Divergence)を導入する。実験の結果,提案したRTDはデータ表現類似性の直感的な評価と一致し,そのトポロジ的構造に敏感であることがわかった。
論文参考訳（メタデータ） (2021-12-31T21:08:56Z)
TA-Net: Topology-Aware Network for Gland Segmentation [71.52681611057271]
本研究では, 密集した腺と高度に変形した腺を正確に分離する新しいトポロジ・アウェア・ネットワーク(TA-Net)を提案する。 TA-Netはマルチタスク学習アーキテクチャを持ち、腺セグメンテーションの一般化を強化する。 2つのデータセットで最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2021-10-27T17:10:58Z)
Fine-grained Semantics-aware Representation Enhancement for Self-supervised Monocular Depth Estimation [16.092527463250708]
自己教師付き単分子深度推定を改善するための新しいアイデアを提案する。我々は、幾何学的表現強化に暗黙的な意味知識を取り入れることに注力する。提案手法をKITTIデータセット上で評価し,提案手法が最先端の手法より優れていることを示す。
論文参考訳（メタデータ） (2021-08-19T17:50:51Z)
SOSD-Net: Joint Semantic Object Segmentation and Depth Estimation from Monocular images [94.36401543589523]
これら2つのタスクの幾何学的関係を利用するための意味的対象性の概念を紹介します。次に, 対象性仮定に基づくセマンティックオブジェクト・深さ推定ネットワーク(SOSD-Net)を提案する。私たちの知識を最大限に活用するために、SOSD-Netは同時単眼深度推定とセマンティックセグメンテーションのためのジオメトリ制約を利用する最初のネットワークです。
論文参考訳（メタデータ） (2021-01-19T02:41:03Z)
Deep Inverse Sensor Models as Priors for evidential Occupancy Mapping [0.4511923587827302]
本稿では,深部ISMと幾何ISMを一体化するための新しいアプローチについて述べる。本手法は, 幾何学モデルではまだ観測できないセルを初期化するためのデータ駆動方式の両機能を利用する。さらに、深いISM推定の確実性に対する下限を収束の解析的証明と共に定義する。
論文参考訳（メタデータ） (2020-12-02T06:55:49Z)
DRG: Dual Relation Graph for Human-Object Interaction Detection [65.50707710054141]
人-物間相互作用(HOI)検出の課題に対処する。既存の方法は、人間と物体の対の相互作用を独立に認識するか、複雑な外観に基づく共同推論を行う。本稿では,抽象的空間意味表現を活用して,各対象対を記述し,二重関係グラフを用いてシーンの文脈情報を集約する。
論文参考訳（メタデータ） (2020-08-26T17:59:40Z)
A Multi-Semantic Metapath Model for Large Scale Heterogeneous Network Representation Learning [52.83948119677194]
大規模不均一表現学習のためのマルチセマンティックメタパス(MSM)モデルを提案する。具体的には,マルチセマンティックなメタパスに基づくランダムウォークを生成し,不均衡な分布を扱うヘテロジニアスな近傍を構築する。提案するフレームワークに対して,AmazonとAlibabaの2つの挑戦的なデータセットに対して,体系的な評価を行う。
論文参考訳（メタデータ） (2020-07-19T22:50:20Z)
SpatialSim: Recognizing Spatial Configurations of Objects with Graph Neural Networks [31.695447265278126]
本稿では,外部オブザーバの視点に不変な幾何学的空間構成のクラスを学習し,比較する方法を示す。本稿では,新しい幾何学的推論ベンチマークであるSpatialSim(Spatial similarity)を提案する。次に,完全接続型メッセージパスグラフニューラルネットワーク(MPGNN)が示す帰納的リレーショナルバイアスが,これらの課題の解決にどのように役立つかを検討する。
論文参考訳（メタデータ） (2020-04-09T14:13:20Z)

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。