Fugu-MT 論文翻訳(概要): HRVGAN: High Resolution Video Generation using Spatio-Temporal GAN

論文の概要: HRVGAN: High Resolution Video Generation using Spatio-Temporal GAN

arxiv url: http://arxiv.org/abs/2008.09646v2
Date: Mon, 12 Jul 2021 05:47:07 GMT
ステータス: 処理完了
システム内更新日: 2022-10-28 03:44:52.274010
Title: HRVGAN: High Resolution Video Generation using Spatio-Temporal GAN
Title（参考訳）: HRVGAN:時空間GANを用いた高分解能ビデオ生成
Authors: Abhinav Sagar
Abstract要約: 我々は高解像度ビデオ生成のための新しいネットワークを提案する。我々のネットワークは、損失項にk-Lipschitz制約を課し、クラスラベルをトレーニングとテストに使用することで、Wasserstein GANのアイデアを使用する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we present a novel network for high resolution video generation. Our network uses ideas from Wasserstein GANs by enforcing k-Lipschitz constraint on the loss term and Conditional GANs using class labels for training and testing. We present Generator and Discriminator network layerwise details along with the combined network architecture, optimization details and algorithm used in this work. Our network uses a combination of two loss terms: mean square pixel loss and an adversarial loss. The datasets used for training and testing our network are UCF101, Golf and Aeroplane Datasets. Using Inception Score and Fr\'echet Inception Distance as the evaluation metrics, our network outperforms previous state of the art networks on unsupervised video generation.
Abstract（参考訳）: 本稿では,高解像度ビデオ生成のための新しいネットワークを提案する。本ネットワークは,クラスラベルを用いて損失項と条件付きganにk-リプシッツ制約を課すことで,wasserstein gansのアイデアを用いる。本研究で使用されるネットワークアーキテクチャ,最適化の詳細,アルゴリズムなどとともに,ネットワークの詳細を階層的に表現する。我々のネットワークは2つの損失項、平均平方ピクセル損失と対角損失の組合せを使っている。ネットワークのトレーニングとテストに使用されるデータセットは、UCF101、Golf、Aeroplane Datasetsである。 Inception Score と Fr\'echet Inception Distance を評価指標として、我々のネットワークは教師なしビデオ生成における過去の技術ネットワークの状態を上回ります。

関連論文リスト

SIGMA:Sinkhorn-Guided Masked Video Modeling [69.31715194419091]
SIGMA (Sinkhorn-guided Masked Video Modelling) は、新しいビデオ事前学習法である。時空管の特徴を,限られた数の学習可能なクラスタに均等に分散する。 10個のデータセットによる実験結果から,より高性能で時間的,堅牢な映像表現を学習する上で,SIGMAの有効性が検証された。
論文参考訳（メタデータ） (2024-07-22T08:04:09Z)
Landslide Detection and Segmentation Using Remote Sensing Images and Deep Neural Network [42.59806784981723]
2022 Landslide4Senseコンペティションの結果に基づいて,地すべり検出とセグメンテーションのためのディープニューラルネットワークシステムを提案する。ベースラインモデルとしてクロスエントロピー損失をトレーニングしたU-Netを用いる。次に、幅広いディープラーニング技術を活用して、U-Netベースラインモデルを改善する。
論文参考訳（メタデータ） (2023-12-27T20:56:55Z)
Network state Estimation using Raw Video Analysis: vQoS-GAN based non-intrusive Deep Learning Approach [5.8010446129208155]
vQoS GANは、劣化した受信ビデオデータからネットワーク状態パラメータを推定することができる。ディープラーニングネットワークモデルのロバストでユニークな設計が、データレートとパケット損失クラスラベルと共にビデオデータで訓練されている。提案した半教師付き生成対向ネットワークは、劣化したビデオデータを元の形式に再構築することで、より良いエンドユーザー体験を実現する。
論文参考訳（メタデータ） (2022-03-22T10:42:19Z)
Temporal Graph Network Embedding with Causal Anonymous Walks Representations [54.05212871508062]
本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
論文参考訳（メタデータ） (2021-08-19T15:39:52Z)
Image Restoration by Deep Projected GSURE [115.57142046076164]
Ill-posed inverse problem は、デブロアリングや超解像など、多くの画像処理アプリケーションに現れる。本稿では,一般化されたSteinUnbiased Risk Estimator(GSURE)の「投影変換」とCNNによる潜在画像のパラメータ化を含む損失関数の最小化に基づく,新たな画像復元フレームワークを提案する。
論文参考訳（メタデータ） (2021-02-04T08:52:46Z)
Monocular Depth Estimation Using Multi Scale Neural Network And Feature Fusion [0.0]
ネットワークは2つの異なるブロックを使用し、まず、各特徴マップの畳み込みとマージに異なるフィルタサイズを使用する。第2ブロックは、完全に連結された層の代わりに拡張畳み込みを使用し、計算を減らし、受容場を増大させる。我々は、RMSE損失とSILog損失からなる深さ推定のための標準評価指標を用いて、Make 3Dデータセット、NYU Depth V2データセット、Kittiデータセットでネットワークをトレーニングし、テストする。
論文参考訳（メタデータ） (2020-09-11T18:08:52Z)
Medical Image Segmentation Using a U-Net type of Architecture [0.0]
我々は、U-Netのアーキテクチャとボトルネック層における教師付きトレーニング戦略を組み合わせることで、元のU-Netアーキテクチャと同等の結果が得られると論じる。我々は,U-Netのエンコーダブランチのボトルネックに対して,完全に教師付きFC層に基づくピクセルワイズロスを導入する。 2層ベースのFCサブネットは、より多くのセマンティック情報を含むようにボトルネック表現をトレーニングし、デコーダ層が最終的なセグメンテーションマップを予測するために使用する。
論文参考訳（メタデータ） (2020-05-11T16:10:18Z)
Network Adjustment: Channel Search Guided by FLOPs Utilization Ratio [101.84651388520584]
本稿では,ネットワークの精度をFLOPの関数として考慮した,ネットワーク調整という新しいフレームワークを提案する。標準画像分類データセットと幅広いベースネットワークの実験は、我々のアプローチの有効性を実証している。
論文参考訳（メタデータ） (2020-04-06T15:51:00Z)
Learning the Loss Functions in a Discriminative Space for Video Restoration [48.104095018697556]
本稿では,映像復元作業に特有の識別空間を学習し,効果的な損失関数を構築するための新しい枠組みを提案する。私たちのフレームワークは、ジェネレータと損失ネットワークという2つのネットワークを反復的にトレーニングするという点で、GANと似ています。ビデオスーパーレゾリューションとデブロワーリングの実験により,我々の手法がより視覚的に楽しいビデオを生成することが示された。
論文参考訳（メタデータ） (2020-03-20T06:58:27Z)
A U-Net Based Discriminator for Generative Adversarial Networks [86.67102929147592]
GAN(Generative Adversarial Network)のための代替U-Netベースの識別器アーキテクチャを提案する。提案アーキテクチャにより,合成画像のグローバルコヒーレンスを維持しつつ,画素単位の詳細なフィードバックを生成元に提供することができる。斬新な判別器は、標準分布と画像品質の指標の観点から、最先端の技術を向上する。
論文参考訳（メタデータ） (2020-02-28T11:16:54Z)

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。