抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
生成的敵対ネットワーク(GANs)は,画像生成の問題を解決するために最も使用されたネットワークになった。自己監督されたGANは,識別器の壊滅的忘却を避け,クラスラベルを必要とせずに画像生成品質を改善するために,後に提案された。しかしながら,異なるGANアーキテクチャに関する自己スーパービジョンタスクの一般化可能性は,以前には研究されていない。最後に,著者らは,一般化可能性コンテキストにおけるDeshuffaGANのデヘッフリングである,以前に提案した自己スーパービジョンタスクの寄与を広範囲に解析した。著者らは,2つの異なるGAN識別子にデヘッフリングタスクを割り当て,両アーキテクチャに対するタスクの影響を研究した。種々のデータセットで以前に提案したDeshuffaGANと比較して評価を拡張した。DeshfuffGANは,他の自己監督GANと比較して,いくつかのデータセットに対して最良のFID結果を得ることを示した。さらに,まずGAN訓練に展開され,その寄与が回転予測を超えることを示す回転予測とのデヘッフリングを比較した。学習表現の品質を評価するために,cDeshuffaGANと呼ばれる条件付きDeshfuffGANを設計した。最後に,著者らは,損失景観に関するGAN訓練に対する自己スーパービジョンタスクの寄与を示し,これらのタスクの影響は,いくつかの設定における敵対的訓練に協同的ではないかもしれないことを示した。このコードはhttps://github.com/gulcinbaykal/DeshuffleGANで発見できる。Copyright 2021 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】