Help us understand the problem. What is going on with this article?

機械学習論文読みメモ_143

More than 1 year has passed since last update.

Spectral Normalization for Generative Adversarial Networks
GANのdiscriminatorの学習をstabilizeするための正則化手法としてspectral normalizationを提案する。
提案手法は計算コストが小さく、既存の実装に簡単に入れ込む事が可能である。
従来手法では、discriminatorの密度比推定の学習能力が低いため、翻ってgeneratorは
Multi-modalな生成分布を学習する事が困難となる。
またモデル分布とtarget分布が互いに素である場合に、discriminatorはそれらを完全に
分離するパラメータを学習可能で、そうなると勾配がゼロになってしまうことにより
翻ってgeneratorが一切学習されなくなってしまう問題もある。
提案するspectral normalizationでは、discriminatorネットワークの各レイヤの重みに関して
そのspectral normを用いて正則化を行う事により、discriminatorのLipschitz constantを
制御する。
この手法は、従来のL2正則化などとは違い、data dependentな正則化となっている。

PointFusion: Deep Sensor Fusion for 3D Bounding Box Estimation
本論ではPointFusionと呼ばれる、画像と3d point cloudの双方を活用した3dの一般物体認識手法
を提案する。
従来のmulti-step pipelineやデータにドメイン知識による仮定を置く手法と違って、
本手法は簡単でアプリケーションに依存しない。
画像とpoint cloudはそれぞれCNNとPointNetを用いて別々に処理される。
双方から得られた特徴量は新たに提案するfusion networkにより統合される。
このfusion networkは3D bounding box及びそのconfidenceを、
3d pointsをspatial anchorとして用いる事で予測する。

One-Sided Unsupervised Domain Mapping
最近のunsupervised domain mappingの研究では、
2つのドメインにおける双方向のマッピングを同時に学習する事で
高性能なマッピングを得られる事が出来た。
本論では、片方向の学習のみを行う場合を考える。
これは、2つのサンプル間における距離を保つ事で実現する。
さらには、サンプルの異なった部分間の距離を保つ事でも実現できる
事を示した。

Why do not you register as a user and use Qiita more conveniently?
  1. We will deliver articles that match you
    By following users and tags, you can catch up information on technical fields that you are interested in as a whole
  2. you can read useful information later efficiently
    By "stocking" the articles you like, you can search right away
Comments
Sign up for free and join this conversation.
If you already have a Qiita account
Why do not you register as a user and use Qiita more conveniently?
You need to log in to use this function. Qiita can be used more conveniently after logging in.
You seem to be reading articles frequently this month. Qiita can be used more conveniently after logging in.
  1. We will deliver articles that match you
    By following users and tags, you can catch up information on technical fields that you are interested in as a whole
  2. you can read useful information later efficiently
    By "stocking" the articles you like, you can search right away