平价数据SimGAN：灵活运用合成与无监督数据

Shrivastava et al. demonstrated the effectiveness of their approach in achieving state-of-the-art results in image understanding tasks through unsupervised learning techniques.

概述

本文相当于Apple首次展示了其在机器学习领域的开创性成果，并且还是CVPR 2017年会上的两篇最佳论文之一

在使用深度学习结局实际问题时，我们常常遇到以下的局面：

类别	品质	标记	数量
监督数据	真实	有	少
无监督数据	真实	无	大
合成数据	不真实	有	大

本文举了两个例子：视线方向识别和手势识别。

• 两种问题均具有较高的标定难度，在监督数据方面表现为价格高昂且数量稀缺。
  • 可借助CG模型生成数据集。这些生成的数据具备明确的视线方向和手关节位置信息，但其呈现效果欠准确。

基于GAN的思想框架下,生成的数据(无监督学习方式产出)能够有效提升(生成样本)的质量,而不会影响生成样本的标注信息。接着采用优化后的生成样本进行模型训练

方法

系统框架

类似GAN网络，本文系统中包含