Python による日本語自然言語処理 〜系列ラベリングによる実世界テキスト分析〜 / PyCon JP 2019PyCon JP 2019 での発表スライドです。 GitHub: https://github.com/taishi-i/nagisa-tutorial-pycon2019
[最新論文/GAN] ラベルがないなら推測すればいい。 - Qiita
論文紹介・画像引用 Google Brainより2019.3.6提出 https://arxiv.org/pdf/1903.02271v1.pdf 本研究のGANの特徴と成果 FIDスコア（低い方が良い） スコア８～９の間にある縦線はベースライン（すべてラベル付けされた画像を使ったBigGAN） 本研究の方法（$S^3GAN$）では ラベル付けされた画像は全体のたった１０%にも関わらずSOTAであるBigGANと同等の性能になった また全体の２０%をラベル付けされた画像にするとBigGANを超える性能となった 解像度128×128 上段：BigGAN 下段：画像の１０%のみラベルありのデータを使った$S^3GAN$ データの現実とその対策 これまでの鮮明な画像生成は大量のラベル付きデータによって実現してきた しかし現実的には、ほとんどのデータはラベル付けされていない・ラベル付け自体が多大な
![[最新論文/GAN] ラベルがないなら推測すればいい。 - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/89927a48cbfde8c76d1a1c4bd09170764d063872/height=288;version=1;width=512/https%3A%2F%2Fqiita-user-contents.imgix.net%2Fhttps%253A%252F%252Fcdn.qiita.com%252Fassets%252Fpublic%252Farticle-ogp-background-9f5428127621718a910c8b63951390ad.png%3Fixlib%3Drb-4.0.0%26w%3D1200%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTkxNiZoPTMzNiZ0eHQ9JTVCJUU2JTlDJTgwJUU2JTk2JUIwJUU4JUFCJTk2JUU2JTk2JTg3JTJGR0FOJTVEJTIwJUUzJTgzJUE5JUUzJTgzJTk5JUUzJTgzJUFCJUUzJTgxJThDJUUzJTgxJUFBJUUzJTgxJTg0JUUzJTgxJUFBJUUzJTgyJTg5JUU2JThFJUE4JUU2JUI4JUFDJUUzJTgxJTk5JUUzJTgyJThDJUUzJTgxJUIwJUUzJTgxJTg0JUUzJTgxJTg0JUUzJTgwJTgyJnR4dC1jb2xvcj0lMjMyMTIxMjEmdHh0LWZvbnQ9SGlyYWdpbm8lMjBTYW5zJTIwVzYmdHh0LXNpemU9NTYmdHh0LWNsaXA9ZWxsaXBzaXMmdHh0LWFsaWduPWxlZnQlMkN0b3Amcz05NmY5ZTU5MzQzZjY3NzQyYjEyMGQ2NTlhMTQzZmFkZA%26mark-x%3D142%26mark-y%3D112%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTYxNiZ0eHQ9JTQwUGhvZWJvb29vJnR4dC1jb2xvcj0lMjMyMTIxMjEmdHh0LWZvbnQ9SGlyYWdpbm8lMjBTYW5zJTIwVzYmdHh0LXNpemU9MzYmdHh0LWFsaWduPWxlZnQlMkN0b3Amcz0yN2EyYzViYWYxNzY5NDUxOTBkMTYzZGI2ZjFiYzQzMw%26blend-x%3D142%26blend-y%3D491%26blend-mode%3Dnormal%26s%3De3e25cd93bceee05c619bc46aef8ccd4)
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
処理を実行中です
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
Label Schema
