論文の概要: Few-shot Knowledge Transfer for Fine-grained Cartoon Face Generation
- arxiv url: http://arxiv.org/abs/2007.13332v1
- Date: Mon, 27 Jul 2020 07:13:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-06 08:37:08.906076
- Title: Few-shot Knowledge Transfer for Fine-grained Cartoon Face Generation
- Title(参考訳): 細粒度マンガ顔生成のためのマイズショット知識伝達
- Authors: Nan Zhuang and Cheng Yang
- Abstract要約: そこで本研究では,様々なグループを対象とした2段階の学習プロセスを提案する。
まず、基本群(十分なデータからなる)の基本的な翻訳モデルを訓練する。
すると、他のグループの新しいサンプルが与えられた場合、各新しいグループに対してグループ固有の分岐を作成することで基本モデルを拡張します。
- 参考スコア(独自算出の注目度): 11.951522183013811
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we are interested in generating fine-grained cartoon faces for
various groups. We assume that one of these groups consists of sufficient
training data while the others only contain few samples. Although the cartoon
faces of these groups share similar style, the appearances in various groups
could still have some specific characteristics, which makes them differ from
each other. A major challenge of this task is how to transfer knowledge among
groups and learn group-specific characteristics with only few samples. In order
to solve this problem, we propose a two-stage training process. First, a basic
translation model for the basic group (which consists of sufficient data) is
trained. Then, given new samples of other groups, we extend the basic model by
creating group-specific branches for each new group. Group-specific branches
are updated directly to capture specific appearances for each group while the
remaining group-shared parameters are updated indirectly to maintain the
distribution of intermediate feature space. In this manner, our approach is
capable to generate high-quality cartoon faces for various groups.
- Abstract(参考訳): 本稿では,様々なグループを対象としたきめ細かいマンガの顔を生成することに興味がある。
これらのグループのうちの1つは十分なトレーニングデータで構成されており、もう1つはサンプルが少ないと仮定する。
これらのグループの漫画の顔は類似しているものの、様々なグループの外見には特定の特徴がある可能性があり、それぞれが異なる。
この課題の主な課題は、グループ間で知識を伝達し、少数のサンプルでグループ固有の特徴を学ぶ方法である。
この問題を解決するために,我々は2段階のトレーニングプロセスを提案する。
まず、基本群(十分なデータからなる)の基本的な翻訳モデルを訓練する。
そして、他のグループの新しいサンプルが与えられたら、新しいグループごとにグループ固有のブランチを作成して基本モデルを拡張します。
グループ固有の分岐は、各グループの特定の外観をキャプチャするために直接更新され、残りのグループ共有パラメータは、中間特徴空間の分布を維持するために間接的に更新される。
この方法では,様々なグループに対して高品質なマンガ顔を生成することができる。
関連論文リスト
- The Research of Group Re-identification from Multiple Cameras [0.4955551943523977]
グループ再識別は、従来の再識別タスクにおいて、視点や人間のポーズのバリエーションによって妨げられているだけでなく、非常に難しい。
本稿では,グループ内の多粒度情報を活用してグループ再同定を容易にする手法を提案する。
論文 参考訳(メタデータ) (2024-07-19T18:28:13Z) - Outlier-Robust Group Inference via Gradient Space Clustering [50.87474101594732]
既存のメソッドは、最悪のグループのパフォーマンスを改善することができるが、それらは、しばしば高価で入手できないグループアノテーションを必要とする。
モデルパラメータの勾配の空間にデータをクラスタリングすることで,アウトレーヤの存在下でグループアノテーションを学習する問題に対処する。
そこで我々は,DBSCANのような標準クラスタリング手法に適合するように,マイノリティグループや外れ値に関する情報を保存しながら,勾配空間内のデータがより単純な構造を持つことを示す。
論文 参考訳(メタデータ) (2022-10-13T06:04:43Z) - Multiple Fairness and Cardinality constraints for Students-Topics
Grouping Problem [14.051419173519308]
グループワークは、学生が好みに基づいてトピック固有のグループに分けられる教育環境において一般的な活動である。
我々は,学生を重複しないグループに分割するマルチフェア・キャパシタント(MFC)グループ問題を導入する。
そこで本研究では,グループ化のための手法とknapsackに基づく手法の2つのアプローチを提案する。
論文 参考訳(メタデータ) (2022-06-20T17:06:10Z) - AggNet: Learning to Aggregate Faces for Group Membership Verification [20.15673797674449]
いくつかの顔認識アプリケーションでは、個人がグループのメンバーであるかどうかを、そのアイデンティティを明らかにすることなく確認することに興味がある。
いくつかの既存手法では、事前計算された顔記述子を離散的な埋め込みに量子化し、それらを一つのグループ表現に集約する機構が提案されている。
本稿では,顔記述子とアグリゲーション機構を協調的に学習し,エンドツーエンドのパフォーマンスを向上させるディープアーキテクチャを提案する。
論文 参考訳(メタデータ) (2022-06-17T10:48:34Z) - Mugs: A Multi-Granular Self-Supervised Learning Framework [114.34858365121725]
マルチグラニュラー視覚特徴を明瞭に学習するための効果的なMUlti-Granular Self-supervised Learning (Mugs) フレームワークを提案する。
1)インスタンス識別監督(IDS)、2)新しいローカルグループ識別監督(LGDS)、3)グループ識別監督(GDS)である。
論文 参考訳(メタデータ) (2022-03-27T23:42:05Z) - Fair Group-Shared Representations with Normalizing Flows [68.29997072804537]
本研究では,異なるグループに属する個人を1つのグループにマッピングできる公正表現学習アルゴリズムを開発した。
提案手法は,他の公正表現学習アルゴリズムと競合することを示す。
論文 参考訳(メタデータ) (2022-01-17T10:49:49Z) - Towards Group Robustness in the presence of Partial Group Labels [61.33713547766866]
入力サンプルとターゲットラベルの間に 急激な相関関係がある ニューラルネットワークの予測を誤った方向に導く
本稿では,制約セットから最悪のグループ割り当てを最適化するアルゴリズムを提案する。
グループ間で総合的な集計精度を維持しつつ,少数集団のパフォーマンス向上を示す。
論文 参考訳(メタデータ) (2022-01-10T22:04:48Z) - BARACK: Partially Supervised Group Robustness With Guarantees [29.427365308680717]
ニューラルネットワーク上での最悪のグループパフォーマンスを改善するためのフレームワークであるBARACKを提案する。
トレーニングデータの欠落したグループラベルを予測するためにモデルをトレーニングし、その上で、これらの予測されたグループラベルを頑健な最適化目標として使用する。
実験的な手法では, 1-33%のポイントにグループラベルがある場合でも, グループ情報を使用しないベースラインよりも優れている。
論文 参考訳(メタデータ) (2021-12-31T23:05:21Z) - Learning Multi-Attention Context Graph for Group-Based Re-Identification [214.84551361855443]
オーバーラップしていないカメラシステムを介して人々のグループを再識別または取得することを学ぶことは、ビデオ監視において重要なアプリケーションです。
本研究では,グループre-idというグループを識別するためのコンテキスト情報の利用を検討する。
本研究では,グループベースリドタスクを同時に処理するグラフニューラルネットワークに基づく新しい統合フレームワークを提案する。
論文 参考訳(メタデータ) (2021-04-29T09:57:47Z) - Few-Shot Learning with Intra-Class Knowledge Transfer [100.87659529592223]
アンバランスなデータセットを用いた数発の分類タスクについて検討する。
近年の研究では、生成モデルを用いて数発の授業のトレーニングデータを増やすことで、この課題を解決することが提案されている。
本稿では,近隣クラスが類似した統計情報を共有するという直感で,近隣クラスからのクラス内知識を活用することを提案する。
論文 参考訳(メタデータ) (2020-08-22T18:15:38Z)
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。