論文の概要: Self-supervised GANs with Label Augmentation

• arxiv url: http://arxiv.org/abs/2106.08601v1
• Date: Wed, 16 Jun 2021 07:58:00 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-17 17:17:53.167392
• Title: Self-supervised GANs with Label Augmentation
• Title（参考訳）: ラベル拡張による自己監督型GAN
• Authors: Liang Hou, Huawei Shen, Qi Cao, Xueqi Cheng
• Abstract要約: 本稿では,ラベルの強化,すなわち,自己教師付き擬似ラベルによるGANラベル(実物または偽物)の増大を図った,新たな自己教師型GANフレームワークを提案する。 提案手法は,生成モデルと表現学習の両面において,競争ベースラインを大幅に上回ることを示す。
• 参考スコア（独自算出の注目度）: 43.78253518292111
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, transformation-based self-supervised learning has been applied to generative adversarial networks (GANs) to mitigate the catastrophic forgetting problem of discriminator by learning stable representations. However, the separate self-supervised tasks in existing self-supervised GANs cause an inconsistent goal with generative modeling due to the learning of the generator from their generator distribution-agnostic classifiers. To address this issue, we propose a novel self-supervised GANs framework with label augmentation, i.e., augmenting the GAN labels (real or fake) with the self-supervised pseudo-labels. In particular, the discriminator and the self-supervised classifier are unified to learn a single task that predicts the augmented label such that the discriminator/classifier is aware of the generator distribution, while the generator tries to confuse the discriminator/classifier by optimizing the discrepancy between the transformed real and generated distributions. Theoretically, we prove that the generator, at the equilibrium point, converges to replicate the data distribution. Empirically, we demonstrate that the proposed method significantly outperforms competitive baselines on both generative modeling and representation learning across benchmark datasets.
• Abstract（参考訳）: 近年, 変換に基づく自己教師型学習がGAN(Generative Adversarial Network)に応用され, 安定した表現を学習することで, 判別器の破滅的忘れ問題を軽減することができる。 しかし、既存の自己教師付きganにおける個別の自己教師付きタスクは、ジェネレータ分布非依存の分類器からジェネレータを学習することによる生成モデルと矛盾する目標をもたらす。 この問題に対処するために,ラベル拡張を伴う新たな自己教師型GANフレームワーク,すなわち,自己教師型擬似ラベルを用いたGANラベル(実物または偽物)の強化を提案する。 特に、判別器と自己教師付き分類器は統一され、識別器/分類器がジェネレータ分布を認識しているように拡張ラベルを予測する1つのタスクを学習し、生成器は変換された実分布と生成された分布との差を最適化して判別器/分類器を混乱させようとする。 理論的には、生成元は平衡点において、データ分布を複製するために収束する。 実験により,提案手法は,ベンチマークデータセット間の生成モデルと表現学習の両方において,競合ベースラインを大幅に上回ることを示す。

関連論文リスト

• Continual-MAE: Adaptive Distribution Masked Autoencoders for Continual Test-Time Adaptation [49.827306773992376]
  連続的テスト時間適応(CTTA)は、ソース事前学習モデルから目標分布の連続的な変化に移行するために提案される。 提案手法は,CTTAタスクの分類とセグメンテーションの両方において,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-12-19T15:34:52Z)
• Generative Model Based Noise Robust Training for Unsupervised Domain Adaptation [108.11783463263328]
  本稿では, 生成モデルに基づくノイズ・ロバスト訓練法(GeNRT)を提案する。 ラベルノイズを緩和しながらドメインシフトを除去する。 Office-Home、PACS、Digit-Fiveの実験は、GeNRTが最先端のメソッドに匹敵するパフォーマンスを実現していることを示している。
  論文  参考訳（メタデータ） (2023-03-10T06:43:55Z)
• Neighbour Consistency Guided Pseudo-Label Refinement for Unsupervised Person Re-Identification [80.98291772215154]
  教師なしの人物再識別(ReID)は、アノテーションを使わずに人物検索のための識別的アイデンティティの特徴を学習することを目的としている。 近年の進歩はクラスタリングに基づく擬似ラベルを活用することで実現されている。 本稿では, Pseudo Label Refinement フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-30T09:39:57Z)
• Self-Conditioned Generative Adversarial Networks for Image Editing [61.50205580051405]
  Generative Adversarial Networks (GAN) はバイアスの影響を受けやすい。 我々は、このバイアスが公平性だけでなく、分布のコアから逸脱する際の潜在トラバース編集手法の崩壊に重要な役割を果たしていると論じる。
  論文  参考訳（メタデータ） (2022-02-08T18:08:24Z)
• cGANs with Auxiliary Discriminative Classifier [43.78253518292111]
  条件付き生成モデルは、データとラベルの基本的な結合分布を学習することを目的としている。 副分類器生成敵ネットワーク (AC-GAN) は広く用いられているが, 生成標本のクラス内多様性の低い問題に悩まされている。 本稿では,AC-GANの問題に対処するため,補助識別器(ADC-GAN)を用いた新しいcGANを提案する。
  論文  参考訳（メタデータ） (2021-07-21T13:06:32Z)
• Discriminative feature generation for classification of imbalanced data [6.458496335718508]
  マイノリティクラスデータセットを対象とした新しい分類特徴生成法(DFG)を提案する。 DFGは、4つの独立したネットワークからなる生成的敵ネットワークの修正された構造に基づいている。 実験結果から,DFGジェネレータはラベル保存および多彩な特徴の増大を促進することが示された。
  論文  参考訳（メタデータ） (2020-10-24T12:19:05Z)
• Unsupervised Controllable Generation with Self-Training [90.04287577605723]
  GANによる制御可能な世代は依然として困難な研究課題である。 本稿では,自己学習を通じてジェネレータを制御する潜伏符号の分布を学習するための教師なしフレームワークを提案する。 我々のフレームワークは、変分オートエンコーダのような他の変種と比較して、より良い絡み合いを示す。
  論文  参考訳（メタデータ） (2020-07-17T21:50:35Z)

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。