Stabilizing Adversarial Nets With Prediction Methods
Adversarial networkは多くの重要な問題を解くことができるが、学習が難しい問題がある。
この難しさは最適点が最小値ではなく、saddle pointsに関係している事にある。
Alternating stochastic gradient methodsを用いて最適化を行った場合、saddle pointsへ収束させる事
は難しい。
本論では新たな安定してsaddle pointsへ収束可能なstochastic gradient methodを提案する。
この手法では、adversarial netの交互最適化を行う際、各ステップでパラメータの更新後の
値を予測するprediction stepを取り入れる事で、片方のモデル更新に対応した大きさの更新ステップ
をもう片方のモデル更新に適用可能にする。
これによりsaddle pointから最適化パスが離れていかないように調整できる。
Semantic Visual Localization
ロバストな画像ベースのlocalizationは重要で実用的である。
特に難しいケースをうまく対応できるようになる事が重要である。
本論では、geometricとsemanticの双方を考慮した手法を提案し、
従来では対応不可能であった環境に対しても対応可能にした。
特にdescriptorを学習する生成モデルを提案する。
このモデルはsemantic completionタスクを通じて学習される。
これにより学習されたdescriptorは観測の一部がかけていてもロバストに
予測が可能である。
すなわち、同じシーンに対して視点が大きく変わった場合においても適切に
同じ構造を認識する事が可能になる。
Learning with Imprinted Weights
Few-shot learningの設定において、与えられた学習画像に基づき
直接CNNの最終レイヤーを設定する手法を提案する。
この手法は与えられた画像に対するactivationをスケールさせたものを
そのまま埋め込むため、weight imprintingと呼ぶ。
Weight imprintingを行うとはじめから良い分類性能を与え、
finetuneのための良い初期化として用いる事ができる。