"SimGAN"의 두 판 사이의 차이
잔글 (→Abstract) |
|||
| 6번째 줄: | 6번째 줄: | ||
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 /> | 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= | =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 annotation을 유지한 채 | + | 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 가공하는 것이 아이디어. GAN을 이용해 만들것이다. 다만 random vector가 input이 아니고, 합성된 이미지가 input이다. |
| − | annotation을 유지하고, artifact를 피하고, 학습과정을 안정화시키기 위해 (i) ‘self-regularization’ term을 넣고 (ii) local adversarial loss를 쓰고 (iii) discriminator를 학습시킬 때 refined image의 history를 이용할 것이다. | + | annotation을 유지하고, artifact를 피하고, 학습과정을 안정화시키기 위해 (i) ‘self-regularization’ term을 넣고 (ii) local adversarial loss를 쓰고 (iii) discriminator를 학습시킬 때 refined image의 history를 이용할 것이다. |
=1. Introduction = | =1. Introduction = | ||
2017년 7월 26일 (수) 23:23 판
arXiv:1612.07828
CVPR2017 best paper중 하나.
애플의 very first paper첫타석 홈런. (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.
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.
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 가공하는 것이 아이디어. GAN을 이용해 만들것이다. 다만 random vector가 input이 아니고, 합성된 이미지가 input이다.
annotation을 유지하고, artifact를 피하고, 학습과정을 안정화시키기 위해 (i) ‘self-regularization’ term을 넣고 (ii) local adversarial loss를 쓰고 (iii) discriminator를 학습시킬 때 refined image의 history를 이용할 것이다.