講演抄録/キーワード |
講演名 |
2019-03-18 10:00
1対多敵対的画像生成に基づくデータ多様性に頑健な半教師あり学習 ○三鼓 悠(京大)・入江 豪(NTT)・中澤篤志(京大)・木村昭悟(NTT) BioX2018-52 PRMU2018-156 |
抄録 |
(和) |
深層学習による画像などの認識は,従来に比べ格段に優れた性能を発揮するが,大規模な教師ありデータを必要とすることが問題点だった.これに対し近年では,ラベル付き合成データを用いるSimulated+Unsupervised(S+U)学習により,高度な認識タスクを教師あり実データを用いずに実現することが可能になった.この手法は合成ドメイン・実ドメイン間の変換を用いることで高精度な予測を実現する.しかし,従来の手法ではドメイン間の1対1変換を用いており,1つの合成データから生成される実データは1つのみである.つまり,1つの合成データから複数人物などの多様な実データを生成し,学習に用いることができない.また予測器の学習には合成データ,教師なし実データの両方が利用可能なのにも関わらず,合成データのみを予測器の学習に利用している.そこで本研究では,a)教師なし実データを1対多変換で様々な合成ドメインの画像に変換し,b)実データ由来の変換画像と合成画像の両方を訓練データとして,Mean Teacherをベースとした半教師あり学習を行う手法を提案する. |
(英) |
The simulated and unsupervised (S+U) learning framework is an effective approach in computer vision since it solves various recognition tasks without using labeled real images.
Although both labeled synthetic and unlabeled real images are available, existing S+U learning methods use only the labeled synthetic images for training predictors (regression functions or classifiers), which may prevent from leveraging information of the target domain.
In this paper, we propose a novel S+U learning approach that utilizes both synthetic and real images to improve the prediction performance in the real domain.
Our method consists of a) unsupervised learning of one-to-many translations that can generate a wide variety of ``fake'' images from a single real image with preserving their labels, and b) semi-supervised self-ensemble learning that gains increased prediction accuracy by using both labeled synthetic and unlabeled real images. |
キーワード |
(和) |
深層学習 / 敵対的画像生成 / 半教師あり学習 / / / / / |
(英) |
Deep Learning / Generative Adversarial Nets / Semi-supervised Learning / / / / / |
文献情報 |
信学技報, vol. 118, no. 513, PRMU2018-156, pp. 137-142, 2019年3月. |
資料番号 |
PRMU2018-156 |
発行日 |
2019-03-10 (BioX, PRMU) |
ISSN |
Print edition: ISSN 0913-5685 Online edition: ISSN 2432-6380 |
著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します.(許諾番号:10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) |
PDFダウンロード |
BioX2018-52 PRMU2018-156 |
研究会情報 |
研究会 |
PRMU BioX |
開催期間 |
2019-03-17 - 2019-03-18 |
開催地(和) |
電気通信大学 |
開催地(英) |
|
テーマ(和) |
社会と産業における安全・安心を支える認識・認証技術 |
テーマ(英) |
|
講演論文情報の詳細 |
申込み研究会 |
PRMU |
会議コード |
2019-03-PRMU-BioX |
本文の言語 |
日本語 |
タイトル(和) |
1対多敵対的画像生成に基づくデータ多様性に頑健な半教師あり学習 |
サブタイトル(和) |
|
タイトル(英) |
A Generative Self-Ensemble Approach to Simulated+Unsupervised Learning |
サブタイトル(英) |
|
キーワード(1)(和/英) |
深層学習 / Deep Learning |
キーワード(2)(和/英) |
敵対的画像生成 / Generative Adversarial Nets |
キーワード(3)(和/英) |
半教師あり学習 / Semi-supervised Learning |
キーワード(4)(和/英) |
/ |
キーワード(5)(和/英) |
/ |
キーワード(6)(和/英) |
/ |
キーワード(7)(和/英) |
/ |
キーワード(8)(和/英) |
/ |
第1著者 氏名(和/英/ヨミ) |
三鼓 悠 / Yu Mitsuzumi / ミツヅミ ユウ |
第1著者 所属(和/英) |
京都大学 (略称: 京大)
Kyoto University (略称: Kyoto Univ.) |
第2著者 氏名(和/英/ヨミ) |
入江 豪 / Go Irie / イリエ ゴウ |
第2著者 所属(和/英) |
日本電信電話株式会社 (略称: NTT)
Nippon Telegraph and Telephone Corporation (略称: NTT) |
第3著者 氏名(和/英/ヨミ) |
中澤 篤志 / Atsushi Nakazawa / ナカザワ アツシ |
第3著者 所属(和/英) |
京都大学 (略称: 京大)
Kyoto University (略称: Kyoto Univ.) |
第4著者 氏名(和/英/ヨミ) |
木村 昭悟 / Akisato Kimura / キムラ アキサト |
第4著者 所属(和/英) |
日本電信電話株式会社 (略称: NTT)
Nippon Telegraph and Telephone Corporation (略称: NTT) |
第5著者 氏名(和/英/ヨミ) |
/ / |
第5著者 所属(和/英) |
(略称: )
(略称: ) |
第6著者 氏名(和/英/ヨミ) |
/ / |
第6著者 所属(和/英) |
(略称: )
(略称: ) |
第7著者 氏名(和/英/ヨミ) |
/ / |
第7著者 所属(和/英) |
(略称: )
(略称: ) |
第8著者 氏名(和/英/ヨミ) |
/ / |
第8著者 所属(和/英) |
(略称: )
(略称: ) |
第9著者 氏名(和/英/ヨミ) |
/ / |
第9著者 所属(和/英) |
(略称: )
(略称: ) |
第10著者 氏名(和/英/ヨミ) |
/ / |
第10著者 所属(和/英) |
(略称: )
(略称: ) |
第11著者 氏名(和/英/ヨミ) |
/ / |
第11著者 所属(和/英) |
(略称: )
(略称: ) |
第12著者 氏名(和/英/ヨミ) |
/ / |
第12著者 所属(和/英) |
(略称: )
(略称: ) |
第13著者 氏名(和/英/ヨミ) |
/ / |
第13著者 所属(和/英) |
(略称: )
(略称: ) |
第14著者 氏名(和/英/ヨミ) |
/ / |
第14著者 所属(和/英) |
(略称: )
(略称: ) |
第15著者 氏名(和/英/ヨミ) |
/ / |
第15著者 所属(和/英) |
(略称: )
(略称: ) |
第16著者 氏名(和/英/ヨミ) |
/ / |
第16著者 所属(和/英) |
(略称: )
(略称: ) |
第17著者 氏名(和/英/ヨミ) |
/ / |
第17著者 所属(和/英) |
(略称: )
(略称: ) |
第18著者 氏名(和/英/ヨミ) |
/ / |
第18著者 所属(和/英) |
(略称: )
(略称: ) |
第19著者 氏名(和/英/ヨミ) |
/ / |
第19著者 所属(和/英) |
(略称: )
(略称: ) |
第20著者 氏名(和/英/ヨミ) |
/ / |
第20著者 所属(和/英) |
(略称: )
(略称: ) |
講演者 |
第1著者 |
発表日時 |
2019-03-18 10:00:00 |
発表時間 |
15分 |
申込先研究会 |
PRMU |
資料番号 |
BioX2018-52, PRMU2018-156 |
巻番号(vol) |
vol.118 |
号番号(no) |
no.512(BioX), no.513(PRMU) |
ページ範囲 |
pp.137-142 |
ページ数 |
6 |
発行日 |
2019-03-10 (BioX, PRMU) |