Fugu-MT 論文翻訳(概要): Logo Generation Using Regional Features: A Faster R-CNN Approach to Generative Adversarial Networks

論文の概要: Logo Generation Using Regional Features: A Faster R-CNN Approach to Generative Adversarial Networks

arxiv url: http://arxiv.org/abs/2109.12628v1
Date: Sun, 26 Sep 2021 15:19:21 GMT
ステータス: 処理完了
システム内更新日: 2021-09-29 09:56:43.035007
Title: Logo Generation Using Regional Features: A Faster R-CNN Approach to Generative Adversarial Networks
Title（参考訳）: 地域特徴を用いたローゴ生成:より高速なR-CNNアプローチ
Authors: Aram Ter-Sarkisov and Eduardo Alonso
Abstract要約: 本稿では、より高速な地域畳み込みニューラルネットワーク(Faster R-CNN)から抽出した地域特徴を用いてロゴを生成するローカルローゴ生成適応ネットワーク(LL-GAN)を紹介する。この手法の強みは、オンラインで収集された小さなスタイルに富んだデータセットでフレームワークをトレーニングし、大きな印象的なロゴを生成することで示します。
参考スコア（独自算出の注目度）: 0.2741266294612776
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this paper we introduce the Local Logo Generative Adversarial Network (LL-GAN) that uses regional features extracted from the Faster Regional Convolutional Neural Network (Faster R-CNN) to generate logos. We demonstrate the strength of this approach by training the framework on a small style-rich dataset collected online to generate large impressive logos. Our approach beats the state-of-the-art models (StyleGAN2, Self-Attention GANs) that suffer from mode collapse due to the size of the data.
Abstract（参考訳）: 本稿では,Faster Regional Convolutional Neural Network (Faster R-CNN) から抽出した地域特徴を用いてロゴを生成するローカルローゴ生成適応ネットワーク (LL-GAN) を提案する。このアプローチの強みは、オンラインで収集した小さなスタイルリッチなデータセットでフレームワークをトレーニングし、大きな印象的なロゴを生成することで示します。当社のアプローチは,データサイズによるモード崩壊に苦しむ最先端モデル(StyleGAN2, Self-Attention GANs)に勝っている。

関連論文リスト

LinkSAGE: Optimizing Job Matching Using Graph Neural Networks [12.088731514483104]
本稿では、グラフニューラルネットワーク(GNN)を大規模パーソナライズされたジョブマッチングシステムに統合する革新的なフレームワークであるLinkSAGEを紹介する。当社のアプローチは、数十億のノードとエッジを持つ、業界最大の、そして最も複雑な、新しい求人市場グラフに乗じています。 LinkSAGEの重要なイノベーションは、そのトレーニングと提供の方法論である。これは、不均一で進化するグラフ上の帰納的グラフ学習とエンコーダ-デコーダGNNモデルとを効果的に組み合わせている。
論文参考訳（メタデータ） (2024-02-20T23:49:25Z)
Neighborhood Convolutional Network: A New Paradigm of Graph Neural Networks for Node Classification [12.062421384484812]
グラフ畳み込みネットワーク(GCN)は、各畳み込み層における近傍の集約と特徴変換を分離する。本稿では,周辺畳み込みネットワーク(NCN)と呼ばれるGCNの新しいパラダイムを提案する。このようにして、モデルは、近隣情報を集約するための分離GCNの利点を継承すると同時に、より強力な特徴学習モジュールを開発することができる。
論文参考訳（メタデータ） (2022-11-15T02:02:51Z)
GIU-GANs: Global Information Utilization for Generative Adversarial Networks [3.3945834638760948]
本稿では,Involution Generative Adversarial Networks (GIU-GANs) と呼ばれる新しいGANを提案する。 GIU-GANは、Squeeze-and-Excitation Networks (SENet)とInvolutionを統合したGlobal Information utilization (GIU)モジュールと呼ばれる新しいモジュールを利用している。バッチ正規化(BN)は、ジェネレータがサンプリングしたノイズ間の表現差を必然的に無視し、生成した画質を劣化させる。
論文参考訳（メタデータ） (2022-01-25T17:17:15Z)
Spiking Generative Adversarial Networks With a Neural Network Discriminator: Local Training, Bayesian Models, and Continual Meta-Learning [31.78005607111787]
スパイキングパターンを再現するためにニューラルネットワークを訓練することは、ニューロモルフィックコンピューティングにおける中心的な問題である。この研究は、個々のスパイキング信号ではなく、スパイキング信号にマッチするようにSNNを訓練することを提案する。
論文参考訳（メタデータ） (2021-11-02T17:20:54Z)
E-GraphSAGE: A Graph Neural Network based Intrusion Detection System [3.3598755777055374]
本稿では,グラフニューラルネットワーク(GNN)に基づく新しいネットワーク侵入検知システム(NIDS)を提案する。 GNNはディープニューラルネットワークの比較的新しいサブフィールドであり、グラフベースのデータ固有の構造を活用するユニークな能力を持っている。最近の6つのNIDSベンチマークデータセットに基づく実験的評価は、E-GraphSAGEベースのNIDSの優れた性能を示している。
論文参考訳（メタデータ） (2021-03-30T13:21:31Z)
Lightweight, Dynamic Graph Convolutional Networks for AMR-to-Text Generation [56.73834525802723]
軽量な動的グラフ畳み込みネットワーク (LDGCN) を提案する。 LDGCNは入力グラフから高次情報を合成することにより、よりリッチな非局所的な相互作用をキャプチャする。我々は,グループグラフの畳み込みと重み付き畳み込みに基づく2つの新しいパラメータ保存戦略を開発し,メモリ使用量とモデル複雑性を低減する。
論文参考訳（メタデータ） (2020-10-09T06:03:46Z)
Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
論文参考訳（メタデータ） (2020-10-06T01:20:27Z)
Multi-Level Graph Convolutional Network with Automatic Graph Learning for Hyperspectral Image Classification [63.56018768401328]
HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。 MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
論文参考訳（メタデータ） (2020-09-19T09:26:20Z)
LGNN: A Context-aware Line Segment Detector [53.424521592941936]
我々はLine Graph Neural Network (LGNN) と呼ばれる新しいリアルタイム線分検出手法を提案する。我々のLGNNは、線分を直接提案するディープ畳み込みニューラルネットワーク(DCNN)と、それらの接続性を推論するためのグラフニューラルネットワーク(GNN)モジュールを使用している。最先端と比較して、LGNNは精度を損なうことなくほぼリアルタイムのパフォーマンスを達成する。
論文参考訳（メタデータ） (2020-08-13T13:23:18Z)
Distilling Knowledge from Graph Convolutional Networks [146.71503336770886]
既存の知識蒸留法は畳み込みニューラルネットワーク(CNN)に焦点を当てている本稿では,事前学習したグラフ畳み込みネットワーク(GCN)モデルから知識を抽出する手法を提案する。提案手法は,GCNモデルに対する最先端の知識蒸留性能を実現する。
論文参考訳（メタデータ） (2020-03-23T18:23:11Z)
Dense Residual Network: Enhancing Global Dense Feature Flow for Character Recognition [75.4027660840568]
本稿では,すべての畳み込み層から階層的特徴をフルに活用することにより,局所的・大域的特徴フローを改善する方法について検討する。技術的には、テキスト認識のための効率的で効果的なCNNフレームワークであるFDRN(Fast Dense Residual Network)を提案する。
論文参考訳（メタデータ） (2020-01-23T06:55:08Z)

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。