SimGAN - 편집 역사

Admin: /* Learning from Simulated and Unsupervised Images through Adversarial Training */

2017-07-27T02:30:59Z

Learning from Simulated and Unsupervised Images through Adversarial Training

Admin: Admin님이 Learning from Simulated and Unsupervised Images through Adversarial Training 문서를 넘겨주기를 만들지 않고 SimGAN 문서로 이동했습니다

2017-07-27T02:29:20Z

Admin님이 Learning from Simulated and Unsupervised Images through Adversarial Training 문서를 넘겨주기를 만들지 않고 SimGAN 문서로 이동했습니다

2017년 7월 27일 (목) 02:28에 Admin님의 편집

2017-07-27T02:28:35Z

Admin: /* 4. Conclusions and Future Work */

2017-07-26T16:51:01Z

4. Conclusions and Future Work

Admin: /* Implementation Details: */

2017-07-26T16:50:18Z

Implementation Details:

Admin: /* Implementation Details: */

2017-07-26T16:50:07Z

Implementation Details:

Admin: /* Implementation Details: */

2017-07-26T16:49:39Z

Implementation Details:

Admin: /* Implementation Details: */

2017-07-26T16:49:23Z

Implementation Details:

Admin: /* Quantitative Results: */

2017-07-26T16:47:34Z

Quantitative Results:

Admin: /* Quantitative Results: */

2017-07-26T16:47:24Z

Quantitative Results:

@@ 3번째 줄: / 3번째 줄: @@
 Ashish Shrivastava, Tomas Pfister, Oncel Tuzel, Josh Susskind, Wenda Wang, Russ Webb<br/>
 CVPR2017 best paper중 하나. <br />
-애플의 very first paper <del>첫타석 홈런</del>. (다른 하나는 [[Densely connected convolutional networks|DenseNet]] by Facebook)
+애플의 very first paper <del>첫타석 홈런</del>. (다른 하나는 [[DenseNet]] by Facebook)
 데이터를 사람이 일일이 모으기가 힘들거나 불가능하므로, 데이터를 생성(synthetic data)해서 학습시키기도 함. (당연하게도) 생성시에 annotation(gaze detection이면 시선의 방향정보)도 같이 생성된다. <br />
 &nbsp; 이 생성된 데이터를 좀 더 ‘실제와 같이 refine’(=‘add realism’)한 다음 학습데이터로 쓰면 더 좋은 결과를 얻을 수 있고, 이 Refiner를 만드는 방법에 대한 논문이다. 인공적으로 만들어낸 이미지를 더 실제와 같이 보이게 하는 것도 어렵지만, refine 과정 중 annotation을 유지해야 하는 점도 어렵다. <br />
 =Abstract=
 이미지를 합성해서 학습할 수 있으면 좋은데 gap between synthetic and real image distributions때문에 잘 안된다. 그래서 Simulated+Unsupervised(S+U) learning을 제안한다. unlabeled real data로부터 ‘realism’을 배워서, simulator가 만들어내는 데이터를 annotation을 유지한 채 가공하겠다. GAN을 이용해 만들것이다. 다만 random vector가 input이 아니고, 합성된 이미지가 input이다.

← 이전 판		2017년 7월 27일 (목) 02:28 판
1번째 줄:		1번째 줄:
		+	=Learning from Simulated and Unsupervised Images through Adversarial Training=
	[https://arxiv.org/abs/1612.07828 arXiv:1612.07828]<br />		[https://arxiv.org/abs/1612.07828 arXiv:1612.07828]<br />
	Ashish Shrivastava, Tomas Pfister, Oncel Tuzel, Josh Susskind, Wenda Wang, Russ Webb<br/>		Ashish Shrivastava, Tomas Pfister, Oncel Tuzel, Josh Susskind, Wenda Wang, Russ Webb<br/>

@@ 142번째 줄: / 142번째 줄: @@
 그냥 조오타
-앞으로는, (i)하나의 synthetic에서 여러개의 refined를 얻는 것, (ii)video를 refine하는 것이 과제다.
+앞으로는, (i) 하나의 synthetic에서 여러개의 refined를 얻는 것, (ii) video를 refine하는 것이 과제다.
 =References=

@@ 126번째 줄: / 126번째 줄: @@
 먼저 \(R_\theta\)를 \(\ell_\text{reg}\)만 가지고 1000 step 훈련했고 그 다음 \(D_\phi\)를 200 step. 그 다음, \(D_\phi\)를 update할때마다 \(R_\theta\)를 두번씩 했다. <del>이건 무슨말이냐? 코드나 공개해다오</del>
-모든 network의 learning rate = \(0.001\), batch size \(= 512\)
+모든 network의 learning rate = \(0.001\), batch size = \(512\)
 validation error가 수렴하면 멈췄다.

@@ 126번째 줄: / 126번째 줄: @@
 먼저 \(R_\theta\)를 \(\ell_\text{reg}\)만 가지고 1000 step 훈련했고 그 다음 \(D_\phi\)를 200 step. 그 다음, \(D_\phi\)를 update할때마다 \(R_\theta\)를 두번씩 했다. <del>이건 무슨말이냐? 코드나 공개해다오</del>
-모든 network의 learning rate = \(0.001\), batch size =\(512\)
+모든 network의 learning rate = \(0.001\), batch size \(= 512\)
 validation error가 수렴하면 멈췄다.

← 이전 판	2017년 7월 27일 (목) 02:29 판
(차이 없음)

@@ 126번째 줄: / 126번째 줄: @@
 먼저 \(R_\theta\)를 \(\ell_\text{reg}\)만 가지고 1000 step 훈련했고 그 다음 \(D_\phi\)를 200 step. 그 다음, \(D_\phi\)를 update할때마다 \(R_\theta\)를 두번씩 했다. <del>이건 무슨말이냐? 코드나 공개해다오</del>
-All networks are trained with a constant 0.001 learning rate and 512 batch size, until the validation error converges.
+모든 network의 learning rate = \(0.001\),<br />
 ==3.2. Hand Pose Estimation from Depth Images==
 We pre-process the data by cropping the pixels from real images using the synthetic images. <del>뭔말이야..</del>

@@ 118번째 줄: / 118번째 줄: @@
 |}
 Table 3. Comparison of SimGAN to the state-of-the-art on the MPIIGaze dataset of real eyes. Training on refined images results in a 2.1 degree improvement, a relative 21% improvement compared to the state-of-the-art.
 ===Preserving Ground Truth:===

@@ 97번째 줄: / 97번째 줄: @@
 <del>아 \(p\)계산 어떻게 하는지 모르겠다..</del>
 ===Quantitative Results:===
 {|class=wikitable
 |-
-!| Method || Real/<br/>Synthetic || Error<br/>(degree)
+!| Method || Real/Synthetic || Error(degree)
 |-
 |Support Vector Regression (SVR) || R || 16.5
@@ 118번째 줄: / 117번째 줄: @@
 |CNN with UnityEyes Refined Images|| S || 7.8
 |}
 Table 3. Comparison of SimGAN to the state-of-the-art on the MPIIGaze dataset of real eyes. Training on refined images results in a 2.1 degree improvement, a relative 21% improvement compared to the state-of-the-art.
 <div style='clear:left'></div>