2021年10月 文献/技術記事解説
End2Endで微分可能なDepthセンサ用のシミュレーションパイプラインDDS。Structured Lightとブロックマッチングのメカニズムを再現し、新しいデバイスのシミュレーションや最適化が容易に。Depthベースの物体分類・姿勢推定・セグメンテーション等の認識タスクに対し特に有益。https://t.co/xSWQaHFrhu pic.twitter.com/nKqxGc37tY
— Teppei Kurita (@kuritateppei) 2021年10月30日
単眼Depth推定(SIDE)モデルのいくつかの隠れ層のUnitは特定のDepthの範囲にのみ反応すること(Selectivity)を発見。そこでSIDEの解釈可能性をそのDepthのSelectivityによって定量化することを提案。更に元のアーキテクチャを変更せずに解釈可能なモデルを学習させる事を提案。https://t.co/mX2Lb662Xs pic.twitter.com/iNEQALrVnf
— Teppei Kurita (@kuritateppei) 2021年10月24日
単眼Depth推定(SIDE)と疎なDepthからの補完を統合した単一アーキテクチャの提案。疎なDepthのEncodigをSparseな畳み込みで有効なDepthのみを処理しているのがキモ。疎Depthが利用可能な場合SIDEモデルにスキップ接続。SIDEでSOTA、補完でも特化モデルに対し競争力のある性能。https://t.co/4inpLCmCxY pic.twitter.com/pgFQZENtWg
— Teppei Kurita (@kuritateppei) 2021年10月23日
条件付きGANは投影ベースと分類ベースのものがあるが、前者は後者に比べInceptionスコアで劣るものの崩壊しにくいことを発見。そこで分類ベース損失に正則化(重み減衰)を施すことで崩壊を緩和するOmni-GANを提案。Inceptionスコアを100向上。BigGANに数行のコードを追加のみ。https://t.co/hns5ENI5qf pic.twitter.com/CFyXmqORyZ
— Teppei Kurita (@kuritateppei) 2021年10月16日