Юру-чара — это японский термин, обозначающий множество «персонажей-талисманов», созданных местными органами власти и компаниями для продвижения деятельности, регионального возрождения, продуктов и т. д. Это давняя традиция — даже в Токийском столичном У полиции есть юру-чара в милом и похожем на мышь Пипо-куне.
Экономический эффект юру-чара значителен, и каждый год бесчисленное количество юру-чара со всей Японии оценивается по популярности в гала-концерте Юру-чара Гран-при».
Однако создание оригинальной юру-чара может потребовать больших затрат времени и денег, высоких гонораров дизайнера и т. д. Более того, успех новой юру-чара не может быть гарантирован.
Исследователи машинного обучения уже проанализировали взаимосвязь между внешним видом персонажа yuru-chara и рейтингом в Гран-при, выявив различные корреляции популярности, дизайна и цвета. Теперь исследователи предложили новый и недорогой метод автоматического создания таких символов.
В статье YuruGAN: генератор талисмана Юру-Чара, использующий генеративные состязательные сети с кластеризацией небольшого набора данных, подготовленный исследователями из Токийского университета сельского хозяйства и технологий (TUAT), представлен подход класса условной GAN, основанный на кластеризации и дополнении данных как стабильный и эффективный метод применения условных GAN класса к небольшим и немаркированным наборам данных.
Предыдущее исследование GAN использовало условия класса в наборе данных для обучения. Это было сделано для стабилизации обучения и улучшения качества генерируемых изображений. Но такие GAN с условными классами полагаются на большие наборы данных и испытывают трудности, когда исходных данных недостаточно и когда не предоставляется четкий класс (в данном случае изображение yuru-chara).
Предлагаемый класс условного GAN представляет собой метод стабилизации обучения для улучшения качества сгенерированных изображений. Когда информация о категории, полученная с помощью различных методов кластеризации, предоставляется модели генерации изображений вместе с изображением yuru-chara, высококачественные и разнообразные изображения могут стабильно генерироваться без коллапса режима.
Исследователи применили сумму Xmean K-means++ к набору данных изображений yuru-chara и создали набор данных с классами для сравнения. Кластеризация была выполнена на основе ResNet и извлечения границ, а также функций, извлеченных ResNet из изображений yuru-chara, для создания набора данных с классами. Присвоение этих наборов данных условной модели класса GAN позволило создать изображения yuru-chara. Когда ResNet использовался для кластеризации, он генерировал высококачественные изображения yuru-chara с характеристиками, близкими к набору данных изображений yuru-chara.
Результаты показывают, что кластеризация наборов данных на основе функций, полученных ResNet, может быть эффективной для улучшения качества изображений, генерируемых GAN, когда набор данных небольшой. Исследователи говорят, что в будущем они планируют выяснить, эффективна ли кластеризация ResNet для других небольших наборов данных.
Документ YuruGAN: генератор талисмана Юру-Чара, использующий генеративно-состязательные сети с кластеризацией небольшого набора данных, находится на arXiv.
Автор: Сюэхан Ван | Редактор: Майкл Саразен
Хотите внести свой вклад в Синхронизированный обзор? Новая колонка SyncedПоделитесь моими исследованиямиприглашает ученых поделиться своими достижениями в исследованиях с энтузиастами искусственного интеллекта со всего мира.
Мы знаем, что вы не хотите пропустить ни одной новости.Подпишитесь на нашу популярную Synced Global AI Weekly , чтобы получать еженедельные обновления AI.
Нужен всесторонний обзор прошлого, настоящего и будущего современных исследований в области ИИ? Отчет о тенденциях развития технологий искусственного интеллектавышел в свет!
Отчет об адаптивности искусственного интеллекта публичной компании из списка Fortune Global 500 за 2018 годвышел в свет!
Приобретите отчет в формате Kindle на Amazon.
Подать заявку на участие в партнерской программе Insight, чтобы получить бесплатный полный отчет в формате PDF.
