近年來,深度學習在計算機視覺領域取得了巨大的突破,其背后是利用大量標簽數據對深度網絡進行監督訓練,而標注大規模數據集非常昂貴且十分耗時。針對大規模數據集標注問題,蘋果公司的Shrivastava團隊希望借助現有的計算機仿真技術以及對抗訓練的方法,實現仿真圖像的無監督學習,從而避免昂貴的圖像標注過程。該團隊在對抗網絡的基礎上提出3個創新點:(1)自正則項;(2)局部對抗損失;(3)使用歷史生成圖片更新判別器,使得生成真實化圖片的同時保留輸入圖像特征。實驗結果展示該方法可以生成高度真實化的圖片。研究者通過訓練凝視估計模型、手部姿態估計模型定量分析生成圖片的效果,分析結果表明,使用生成圖片訓練的模型,在MPIIGaze數據集上測試效果有很大的提升,達到了當時最好的效果。不過,研究者并未在包含多個物體的復雜場景下進行實驗,文中提出的方法在復雜場景下的應用還存在局限性。 劉勇;曾仙芳;;“弄假成真”:基于對抗學習的數據增廣方法[J];科技導報;2018年17期 王建新;錢宇華;;符號數據的無監督學習:一種空間變換方法[J];計算機科學;2016年01期 尹遠;廖敏江;李校林;;基于無監督學習的行人檢測算法[J];廣東通信技術;2015年02期 孫鐵民;于杰;尚程;田大新;張麗華;;基于無監督學習的數據清洗算法[J];吉林大學學報(信息科學版);2008年06期 王昱,朱家元,馮驚雷,張恒喜;多屬性信息決策的改進無監督學習算法建模與應用[J];計算機工程與應用;2002年21期 繆宇杰;吳智鈞;宮婧;;基于3D卷積的視頻錯幀篩選方法[J];計算機技術與發展;2018年05期 古險峰;馮學曉;;基于深度無監督學習的圖像分類算法[J];平頂山學院學報;2018年02期 李鋒;謝嗣弘;;基于無監督學習的移動心電信號異常診斷研究[J];計算機科學;2017年S2期 韓杰;倪志偉;巨東東;倪麗萍;;基于樸素貝葉斯和無監督學習的數據流分類算法[A];第十二屆(2017)中國管理學年會論文集[C];2017年 |