数多の画像変換が可能！StyleGANの新たなEncoder！pixel2Style2pixel
3つの要点 ✔️ 現実画像をStyleGANの潜在空間に埋め込むEncoder「pSp」の提案 ✔️ 様々な画像変換タスクに応用可能 ✔️ StyleGANの多様性を利用 Encoding in Style: a StyleGAN Encoder for Image-to-Image Translation written by Elad Richardson, Yuval Alaluf, Or Patashnik, Yotam Nitzan, Yaniv Azar, Stav Shapiro, Daniel Cohen-Or (Submitted on 3 Aug 2020) Comments: Published by arXiv Subjects: Computer Vision and Pattern Recognition (cs.CV) Code はじめに 高品質な画像を生成
完全教師無しで物体検出と背景のセグメンテーションを行うVAEベースの最新手法 "SPACE"
3つの要点 ✔️ 完全教師無しで物体検出が可能 ✔️ 完全教師無しで背景の構成要素ごとに分離可能 ✔️ 下流タスクとして強化学習への応用の可能性 SPACE: Unsupervised Object-Oriented Scene Representation via Spatial Attention and Decomposition written by Zhixuan Lin, Yi-Fu Wu, Skand Vishwanath Peri, Weihao Sun, Gautam Singh, Fei Deng, Jindong Jiang, Sungjin Ahn (Submitted on 8 Jan 2020 (v1), last revised 15 Mar 2020 (this version, v3)) Comments: In proceeding of ICLR202
画像認識の最新SoTAモデル「Noisy Student」を徹底解説！
３つの要点 ✔️ その１ ImageNetでTop-1 Acc. 88.4 %を叩き出し、SoTAモデル。おまけに高いロバスト性を兼ね備える。 ✔️ その２ Self-trainingにおいてStudentに強いノイズをかけ、反復的にTeacherとStudentを入れ変える。 ✔️ その３ TeacherおよびStudentのベースモデルはEfficientNet(解説)を使用し、EfficentNet-L2という拡張モデルでSoTA Self-training with Noisy Student improves ImageNet classification written by Qizhe Xie, Minh-Thang Luong, Eduard Hovy, Quoc V. Le (Submitted on 11 Nov 2019 (v1), last revised 7
最新の機械学習モデルでは過学習なんて起きない？ Deep Double Descent.
3つの要点 ✔️モデルが過学習しても、さらに学習を進めると精度が向上する ✔️学習データ,学習回数,学習モデルは大きければ大きいほど良い ✔️なぜこのような現象が生じるのか？ 続きを読むには (2880文字画像8枚) AI-SCHOLARに 登録いただく必要があります。 1分で無料で簡単登録する または ログイン
BERTはまだまだ進化する！軽くて強いALBERTが登場！
3つの要点 ✔️BERTの構造に2つの改善を施し、大幅なパラメーター削減を実現 ✔️BERTで効果がないとされていた学習タスクを改善し、より文法を捉えた学習を実現 ✔️パラメーター削減による速度の向上だけでなく、性能の向上をも実現 ALBERT: A Lite BERT for Self-supervised Learning of Language Representations written by Zhenzhong Lan, Mingda Chen, Sebastian Goodman, Kevin Gimpel, Piyush Sharma, Radu Soricut (Submitted on 26 Sep 2019 (v1), last revised 9 Feb 2020 (this version, v6)) Comments: Published by ICLR 202
世界初！GANのモデルを自動で生成するAutoGAN | AI-SCHOLAR
3つの要点 GANのモデルを自動生成する世界で初めての手法 従来のGANの手法よりも高精度な画像の生成が可能 Multi-Level Architecture Searchやパラメータのリセットを行うことで高速な学習が可能 みなさんはNeural Architecture Search (NAS) という手法をご存知でしょうか？ 普通のDeep Learningでは、モデルの構造は人間が指定し、モデルのパラメータのみを最適化しますが、NASではモデル構造も含めて最適化を行います。そのためより高精度なモデルを生成することが可能ですが、学習時間が大きくなってしまう欠点もあります。 つい1,2年ほど前までは、NASは何十台もGPUを使って何週間もかけて行なっていましたが、最近ではGPU1台で4時間で学習できるNASも登場するなど、注目を集めています。 今回紹介するAutoGANは、このNASの手
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
GoogleのDeepMindが囲碁のルールを自ら学習することでAlphaZeroを凌駕する強化学習手法「Muzero」を提案。