A Three-Player GAN: Generating Hard Samples To Improve Classification Networks

論文リンク
A Three-Player GAN: Generating Hard Samples To Improve Classification Networks

A Three-Player GAN: Generating Hard Samples To Improve Classification Networks

 

論文概要

従来のGANは、GeneratorとDiscriminatorの2つだけだったが、
この論文では、Classifierを追加して、3つの構成で新しいGANが提案されている。

 

論文のモチベーション

GANのclassificationを改善するため

 

何を主張している論文なのか

ACGANのDiscriminatorの役割をきちんと役割分担したのが今回のモデルだという理解です。
具体的には、ACGANのDiscriminatorは、下記の役割がありました。
①本物か偽物かどうかを判別
②本物であれば、どのクラスに属するのかの判定

この①、②をこの論文では、下記のよにきれいに役割分担されています。
Discriminator → ①
Classifier → ②

下記が提案されている3つ構成のGANです。
Image from Gyazo

 

実験・実験結果

今回の学習では、3つ構成のdiscriminatorとgeneratorを初期化するために、
Conditional GANを学習させています。

Toy example

時間なかったんので、内容飛ばします….
結論、今回の3つ構成のGANは、正規分布よりサンプリングした2つのクラスが重なる場所で、
画像を合成することを学習しているようです。
Image from Gyazo

CURE-TSRを使っての実験

【データセット】
CURE-TSRのデータセットを使っています。
このデータセットは、
様々な天候条件で使用する14種類の道路標識であり、本物の画像と偽物の画像で構成されています。

【比較対象】
そして比較するモデルは、
1. classifierとConditional GAN(上記のデータセットを使用する)
2. Conditional GAN(本物の画像とConditional GANで合成した画像を使用する)
3. 今回提案した3つ構造のGAN

【実験結果】
下記が実験結果です。
表のとおり、3つのGANの構成が一番良い結果になっているのがわかります。
Image from Gyazo

参考にした記事

GoogleColaboratory と Keras で AC GAN を試してみた