通过从合成域自适应构建语义解耦表征以用于预测-生成模型
计算机视觉与模式识别
2020-02-25 v1 机器学习
图像与视频处理
摘要
深度神经网络能够形成输入数据的高层层次化表征。多位研究者已证明这些表征可用于实现多种有用的应用。然而，此类表征通常基于数据内部的统计特性，可能不符合特定应用所必需的语义表征。条件模型通常被用来克服这一挑战，但它们需要大量标注数据集，而这些数据集难以获取且创建成本高昂。在本文中，我们展示了可以借助基于物理的引擎来生成语义对齐的表征。这是通过创建一个具有解耦属性的合成数据集、为合成数据集学习一个编码器，并将合成域中规定的属性与真实域中的属性相增强而实现的。结果表明，所提出的（SYNTH-VAE-GAN）方法能够在不依赖真实数据标签的情况下，构建人脸属性的条件预测-生成模型。
引用
@article{arxiv.2002.09818,
title = {Assembling Semantically-Disentangled Representations for Predictive-Generative Models via Adaptation from Synthetic Domain},
author = {Burkay Donderici and Caleb New and Chenliang Xu},
journal= {arXiv preprint arXiv:2002.09818},
year = {2020}
}
备注
8 pages, 18 figures