DeepNAG：深度非对抗手势生成
计算机视觉与模式识别
2020-11-19 v1
摘要
用于提升分类性能的合成数据生成（数据增强）是一个被充分研究的问题。近来，生成对抗网络（GAN）已展现出优越的图像数据增强性能，但其在手势合成中的适用性未受到足够关注。此外，GAN 需同时训练生成器与判别器网络，成本高昂。我们在本工作中解决这两个问题。我们首先讨论一种新颖的、设备无关的手势合成 GAN 模型，称为 DeepGAN。此后，我们通过引入基于动态时间规整与平均 Hausdorff 距离的新可微损失函数，构建 DeepNAG，使我们能够在无需判别器的情况下训练 DeepGAN 的生成器。通过评估，我们将 DeepGAN 与 DeepNAG 的效用对比了两种替代技术，在六个数据集上利用数据增强训练五个识别器。我们进一步基于 HYPE 基准通过 Amazon Mechanical Turk 用户研究考察了合成样本的可感知质量。我们发现 DeepNAG 在准确率、训练时间（最高快 17 倍）与真实感上均优于 DeepGAN，从而为手势合成中生成器网络设计与训练的新研究方向打开了大门。我们的源代码可在 https://www.deepnag.com 获取。
引用
@article{arxiv.2011.09149,
title = {DeepNAG: Deep Non-Adversarial Gesture Generation},
author = {Mehran Maghoumi and Eugene M. Taranta and Joseph J. LaViola},
journal= {arXiv preprint arXiv:2011.09149},
year = {2020}
}
备注
13 pages