| 講演名 | 2019-03-18 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), |
|---|---|
| PDFダウンロードページ |  PDFダウンロードページへ |
| 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． |
| 抄録(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 |
| キーワード(英) | Deep Learning / Generative Adversarial Nets / Semi-supervised Learning |
| 資料番号 | BioX2018-52,PRMU2018-156 |
| 発行日 | 2019-03-10 (BioX, PRMU) |
| 研究会情報 | |
| 研究会 | PRMU / BioX |
|---|---|
| 開催期間 | 2019/3/17(から2日開催) |
| 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） | |
| 委員長氏名（和） | 佐藤 真一(NII) / 鷲見 和彦(青学大) |
| 委員長氏名（英） | Shinichi Sato(NII) / Kazuhiko Sumi(AGU) |
| 副委員長氏名（和） | 井尻 善久(オムロン) / 玉木 徹(広島大) / 今岡 仁(NEC) / 大木 哲史(静岡大) |
| 副委員長氏名（英） | Yoshihisa Ijiri(Omron) / Toru Tamaki(Hiroshima Univ.) / Hitoshi Imaoka(NEC) / Tetsushi Ohki(Shizuoka Univ.) |
| 幹事氏名（和） | 石井 雅人(NEC) / 菅野 裕介(阪大) / 青木 隆浩(富士通研) / 市野 将嗣(電通大) |
| 幹事氏名（英） | Masato Ishii(NEC) / Yusuke Sugano(Osaka Univ.) / Takahiro Aoki(Fujitsu Labs.) / Masatsugu Ichino(Univ. of Electro-Comm.) |
| 幹事補佐氏名（和） | 入江 豪(NTT) / 牛久 祥孝(東大) / 奥井 宣広(KDDI総合研究所) / 渡部 大志(埼玉工大) |
| 幹事補佐氏名（英） | Go Irie(NTT) / Yoshitaka Ushiku(Univ. of Tokyo) / Norihiro Okui(KDDI Research) / Daishi Watabe(Saitama Inst. of Tech.) |
| 講演論文情報詳細 | |
| 申込み研究会 | Technical Committee on Pattern Recognition and Media Understanding / Technical Committee on Biometrics |
|---|---|
| 本文の言語 | JPN |
| 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（和） | |
| 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 |
| 第 1 著者 氏名（和/英） | 三鼓 悠 / Yu Mitsuzumi |
| 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） | 入江 豪 / Go Irie |
| 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） | 中澤 篤志 / Atsushi Nakazawa |
| 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） | 木村 昭悟 / Akisato Kimura |
| 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) |
| 発表年月日 | 2019-03-18 |
| 資料番号 | BioX2018-52,PRMU2018-156 |
| 巻番号（vol） | vol.118 |
| 号番号（no） | BioX-512,PRMU-513 |
| ページ範囲 | pp.137-142(BioX), pp.137-142(PRMU), |
| ページ数 | 6 |
| 発行日 | 2019-03-10 (BioX, PRMU) |