論文の概要: Font Generation with Missing Impression Labels
- arxiv url: http://arxiv.org/abs/2203.10348v1
- Date: Sat, 19 Mar 2022 16:02:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2022-03-22 16:55:33.846060
- Title: Font Generation with Missing Impression Labels
- Title（参考訳）: 印象ラベルを欠いたフォント生成
- Authors: Seiya Matsuda, Akisato Kimura, Seiichi Uchida
- Abstract要約: 本稿では,欠落した印象ラベルに対して頑健なフォント生成モデルを提案する。
提案手法の主な考え方は,(1)共起型ラベル推定器と(2)印象ラベル空間圧縮器である。
定性的,定量的な評価により,ラベルを欠いた多ラベルデータを用いて高品質なフォント画像を生成することを実証した。
- 参考スコア（独自算出の注目度）: 15.228202509283248
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Our goal is to generate fonts with specific impressions, by training a
generative adversarial network with a font dataset with impression labels. The
main difficulty is that font impression is ambiguous and the absence of an
impression label does not always mean that the font does not have the
impression. This paper proposes a font generation model that is robust against
missing impression labels. The key ideas of the proposed method are (1)a
co-occurrence-based missing label estimator and (2)an impression label space
compressor. The first is to interpolate missing impression labels based on the
co-occurrence of labels in the dataset and use them for training the model as
completed label conditions. The second is an encoder-decoder module to compress
the high-dimensional impression space into low-dimensional. We proved that the
proposed model generates high-quality font images using multi-label data with
missing labels through qualitative and quantitative evaluations.
- Abstract（参考訳）: 我々のゴールは、印象ラベル付きフォントデータセットで生成する敵ネットワークをトレーニングすることで、特定の印象を持つフォントを生成することである。
主な難点は、フォント印象が曖昧であり、インプレッションラベルがないことは、フォントがインプレッションを持っていないことを意味するとは限らない。
本稿では,印象ラベルの欠落に対して頑健なフォント生成モデルを提案する。
提案手法の主な考え方は,(1)共起型ラベル推定器と(2)印象ラベル空間圧縮器である。
ひとつは、データセット内のラベルの共起に基づいて、欠落した印象ラベルを補間して、モデルのトレーニングに使用することだ。
2つ目は、高次元の印象空間を低次元に圧縮するエンコーダデコーダモジュールである。
定性的,定量的な評価により,ラベルを欠いた多ラベルデータを用いて高品質なフォント画像を生成することを実証した。
関連論文リスト
- Impression-CLIP: Contrastive Shape-Impression Embedding for Fonts [7.542892664684078]
CLIP(Contrastive Language- Image Pre-training)に基づく新しい機械学習モデルであるImpression-CLIPを提案する。
実験では,共埋め込みによるフォントと印象間の相互モーダル検索を行った。
その結果,Impression-CLIPは最先端手法よりも精度が高いことがわかった。
論文 参考訳（メタデータ） (2024-02-26T07:07:18Z) - Bridging the Gap between Model Explanations in Partially Annotated
Multi-label Classification [85.76130799062379]
偽陰性ラベルがモデルの説明にどのように影響するかを考察する。
本稿では,部分ラベルで学習したモデルの属性スコアを向上し,その説明をフルラベルで学習したモデルと類似させる。
論文 参考訳（メタデータ） (2023-04-04T14:00:59Z) - Seq-UPS: Sequential Uncertainty-aware Pseudo-label Selection for
Semi-Supervised Text Recognition [21.583569162994277]
最も一般的なSSLアプローチの1つは擬似ラベル(PL)である。
PL法はノイズによって著しく劣化し、ノイズの多いラベルに過度に適合する傾向がある。
テキスト認識のための擬似ラベル生成と不確実性に基づくデータ選択フレームワークを提案する。
論文 参考訳（メタデータ） (2022-08-31T02:21:02Z) - Dual-Perspective Semantic-Aware Representation Blending for Multi-Label
Image Recognition with Partial Labels [70.36722026729859]
本稿では,多粒度カテゴリ固有の意味表現を異なる画像にブレンドした,二重パースペクティブな意味認識表現ブレンディング(DSRB)を提案する。
提案したDSは、すべての比率ラベル設定において、最先端のアルゴリズムを一貫して上回っている。
論文 参考訳（メタデータ） (2022-05-26T00:33:44Z) - Label Semantics for Few Shot Named Entity Recognition [68.01364012546402]
名前付きエンティティ認識におけるショットラーニングの問題について検討する。
我々は,ラベル名中の意味情報を,モデルに付加的な信号を与え,よりリッチな事前情報を与える手段として活用する。
本モデルは,第1エンコーダによって計算された名前付きエンティティの表現と,第2エンコーダによって計算されたラベル表現とを一致させることを学習する。
論文 参考訳（メタデータ） (2022-03-16T23:21:05Z) - Semantic-Aware Representation Blending for Multi-Label Image Recognition
with Partial Labels [86.17081952197788]
そこで我々は,未知のラベルを補うために,異なる画像にカテゴリ固有の表現をブレンドして,既知のラベルの情報を伝達することを提案する。
MS-COCO、Visual Genome、Pascal VOC 2007データセットの実験は、提案されたSARBフレームワークが、現在の主要な競合相手よりも優れたパフォーマンスを得ることを示している。
論文 参考訳（メタデータ） (2022-03-04T07:56:16Z) - Inferring Prototypes for Multi-Label Few-Shot Image Classification with
Word Vector Guided Attention [45.6809084493491]
ML-FSIC (Multi-label few-shot Image Classification) は、画像に記述ラベルを割り当てるタスクである。
本稿では,ラベルの意味に関する事前知識の形式として,単語埋め込みを提案する。
我々のモデルは、モデルパラメータを微調整することなく、未確認ラベルのプロトタイプを推測することができる。
論文 参考訳（メタデータ） (2021-12-02T07:59:11Z) - Field Extraction from Forms with Unlabeled Data [53.909807775291746]
本研究では,未ラベルデータを用いたフォームからフィールド抽出を行う新しいフレームワークを提案する。
我々は,未ラベル形式からノイズの多い擬似ラベルをマイニングするためのルールベース手法を開発した。
論文 参考訳（メタデータ） (2021-10-08T17:50:12Z) - A Study on the Autoregressive and non-Autoregressive Multi-label
Learning [77.11075863067131]
本稿では,ラベルとラベルの依存関係を共同で抽出する自己アテンションに基づく変分エンコーダモデルを提案する。
したがって、ラベルラベルとラベル機能の両方の依存関係を保ちながら、すべてのラベルを並列に予測することができる。
論文 参考訳（メタデータ） (2020-12-03T05:41:44Z)
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。