論文の概要: HumanACGAN: conditional generative adversarial network with human-based
auxiliary classifier and its evaluation in phoneme perception
- arxiv url: http://arxiv.org/abs/2102.04051v1
- Date: Mon, 8 Feb 2021 08:25:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-10 03:53:57.370567
- Title: HumanACGAN: conditional generative adversarial network with human-based
auxiliary classifier and its evaluation in phoneme perception
- Title（参考訳）: humanacgan:条件付き生成型副分類器付き逆ネットワークとその音素知覚における評価
- Authors: Yota Ueda, Kazuki Fujii, Yuki Saito, Shinnosuke Takamichi, Yukino
Baba, Hiroshi Saruwatari
- Abstract要約: 本研究では,人間の知覚的評価を取り入れた条件付き生成逆ネットワーク(GAN)を提案する。
GANのディープニューラルネットワーク(DNN)ベースのジェネレータは、実データ分布を正確に表現できるが、人間の受容可能な分布を表現できない。
本稿では,HumanGANの理論的拡張であるHumanACGANを提案する。
- 参考スコア（独自算出の注目度）: 52.76447516087089
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: We propose a conditional generative adversarial network (GAN) incorporating
humans' perceptual evaluations. A deep neural network (DNN)-based generator of
a GAN can represent a real-data distribution accurately but can never represent
a human-acceptable distribution, which are ranges of data in which humans
accept the naturalness regardless of whether the data are real or not. A
HumanGAN was proposed to model the human-acceptable distribution. A DNN-based
generator is trained using a human-based discriminator, i.e., humans'
perceptual evaluations, instead of the GAN's DNN-based discriminator. However,
the HumanGAN cannot represent conditional distributions. This paper proposes
the HumanACGAN, a theoretical extension of the HumanGAN, to deal with
conditional human-acceptable distributions. Our HumanACGAN trains a DNN-based
conditional generator by regarding humans as not only a discriminator but also
an auxiliary classifier. The generator is trained by deceiving the human-based
discriminator that scores the unconditioned naturalness and the human-based
classifier that scores the class-conditioned perceptual acceptability. The
training can be executed using the backpropagation algorithm involving humans'
perceptual evaluations. Our experimental results in phoneme perception
demonstrate that our HumanACGAN can successfully train this conditional
generator.
- Abstract（参考訳）: 本研究では,人間の知覚的評価を取り入れた条件付き生成逆ネットワーク(GAN)を提案する。
深層ニューラルネットワーク(dnn)ベースのgan生成器は、実データ分布を正確に表現できるが、そのデータが現実であるか否かに関わらず、人間が自然性を受け入れるデータ範囲である人間受容分布を表現できない。
ヒトの受け入れ可能な分布をモデル化するHumanGANが提案された。
DNNベースのジェネレータは、GANのDNNベースのディスクリミネーターではなく、人間の知覚評価を用いて訓練される。
しかし、HumanGANは条件分布を表すことはできない。
本稿では,ヒューマンガンの理論拡張であるHumanACGANを提案し,条件付きヒューマンアクセプタブル分布を扱う。
私たちのhumanacganはdnnベースの条件付きジェネレータを識別器だけでなく補助的な分類器として訓練している。
生成器は、無条件自然性を示す人間に基づく判別器と、クラス条件の知覚受容性を評価する人間に基づく分類器とを欺いて訓練される。
トレーニングは、人間の知覚的評価を含むバックプロパゲーションアルゴリズムを用いて行うことができる。
音素知覚実験の結果,HumanACGANはこの条件付きジェネレータの訓練に成功していることが示された。
関連論文リスト
- It HAS to be Subjective: Human Annotator Simulation via Zero-shot
Density Estimation [15.8765167340819]
人間アノテーションシミュレーション(Human Annotator Simulation, HAS)は、データアノテーションやシステムアセスメントなどの人的評価の代用として費用対効果がある。
人間の評価中の人間の知覚と行動は、多様な認知過程と主観的解釈による固有の多様性を示す。
本稿では,HASをゼロショット密度推定問題として扱うメタラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-30T20:54:59Z) - Collapse by Conditioning: Training Class-conditional GANs with Limited
Data [109.30895503994687]
非条件学習を活用することにより、観測モード崩壊を効果的に防止する条件付きGAN(cGAN)のトレーニング戦略を提案する。
我々のトレーニング戦略は、無条件のGANから始まり、徐々に条件情報をジェネレータと目的関数に注入する。
安定したトレーニングだけでなく,高品質な画像を生成するために,限られたデータでcGANを訓練する手法を提案する。
論文 参考訳（メタデータ） (2022-01-17T18:59:23Z) - An Adversarial Human Pose Estimation Network Injected with Graph
Structure [75.08618278188209]
本稿では,いくつかの関節が見えない場合に,可視関節の局所化精度を向上させるために,新しいGAN(Generative Adversarial Network)を設計する。
ネットワークは、2つのシンプルで効率的なモジュール、カスケード機能ネットワーク(CFN)とグラフ構造ネットワーク(GSN)で構成されています。
論文 参考訳（メタデータ） (2021-03-29T12:07:08Z) - Disentangled Sequence Clustering for Human Intention Inference [40.46123013107865]
Disentangled Sequence Clustering Variational Autoencoder (DiSCVAE)
Disentangled Sequence Clustering Variational Autoencoder (DiSCVAE)
論文 参考訳（メタデータ） (2021-01-23T13:39:34Z) - Guiding GANs: How to control non-conditional pre-trained GANs for
conditional image generation [69.10717733870575]
本稿では,汎用非条件GANを条件GANとして振る舞うための新しい方法を提案する。
提案手法は,非条件GANのジェネレータネットワークに供給される高次元ランダム入力を生成するために,エンコーダネットワークを混合するものである。
論文 参考訳（メタデータ） (2021-01-04T14:03:32Z) - Host-Pathongen Co-evolution Inspired Algorithm Enables Robust GAN
Training [0.0]
GAN(Generative Adversarial Network)は、互いに訓練されたニューラルネットワークのペアである。
GANは、現実の映画、画像、テキストの印象的な模倣を生み出すことができました。
我々は、より堅牢なGAN訓練アルゴリズムを提案し、より少ない計算力を使用しながら、高品質な画像を生成するための安定性と優れた能力を実証的に示す。
論文 参考訳（メタデータ） (2020-05-22T09:54:06Z) - Discriminator Contrastive Divergence: Semi-Amortized Generative Modeling
by Exploring Energy of the Discriminator [85.68825725223873]
GAN(Generative Adversarial Networks)は、高次元データのモデリングにおいて大きな可能性を秘めている。
本稿では,WGANの識別器の特性を活かした識別器コントラストの多様性について紹介する。
我々は、合成データと実世界の画像生成ベンチマークの両方において、大幅に改善された生成の利点を実証する。
論文 参考訳（メタデータ） (2020-04-05T01:50:16Z) - Your GAN is Secretly an Energy-based Model and You Should use
Discriminator Driven Latent Sampling [106.68533003806276]
本研究では,潜時空間におけるサンプリングは,潜時空間の前対数密度と判別器出力スコアの和によって誘導されるエネルギーベースモデルに従って,潜時空間におけるサンプリングを行うことによって達成できることを示す。
判別器駆動潜時サンプリング(DDLS)は,高次元画素空間で動作する従来の手法と比較して,高効率であることを示す。
論文 参考訳（メタデータ） (2020-03-12T23:33:50Z) - xAI-GAN: Enhancing Generative Adversarial Networks via Explainable AI
Systems [16.360144499713524]
Generative Adversarial Networks (GAN) は、現実的な画像、音楽、テキスト、その他のデータの生成に成功しているディープニューラルネットワーク(DNN)の革命的なクラスである。
本稿では、AI(xAI)システムにおける最近の進歩を活用して、識別器からジェネレータへの「よりリッチな」修正フィードバックを提供する新しいGANクラスを提案する。
我々は、xAI-GANが標準GANよりも、MNISTとFMNISTの両方のデータセットで生成された画像の品質を最大23.18%向上させるのを観察する。
論文 参考訳（メタデータ） (2020-02-24T18:38:13Z) - GIM: Gaussian Isolation Machines [40.7916016364212]
多くの場合、ニューラルネットワーク分類器は、トレーニング配布データの外にある入力データに露出する。
OODデータに遭遇した場合に発生する問題の解決を目的とした,新しいハイブリッド分類器を提案する。
提案されたGIMの新規性は、識別性能と生成能力にある。
論文 参考訳（メタデータ） (2020-02-06T09:51:47Z)
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。