[論文レビュー] CatGAN: Coupled Adversarial Transfer for Domain Generation.

Shanshan Wang, Lei Zhang|arXiv (Cornell University)|Nov 24, 2017

Domain Adaptation and Few-Shot Learning参考文献 54被引用数 7

ひとこと要約

CatGAN は、効率的なドメイン適応のための対称的で浅い多層パーセプトロンを用いた結合型敵対的転送 GAN を提案する。GAN とドメイン損失を併用してジェネレータとディスクラミネータのペアを同時に最適化することで、ラベル制約なしにコンテンツの忠実性を保ち、最先端の手法を上回る性能を達成し、ドメイン整合性を向上させる。

ABSTRACT

This paper introduces a Coupled adversarial transfer GAN (CatGAN), an efficient solution to domain alignment. The basic principles of CatGAN focus on the domain generation strategy for adaptation which is motivated by the generative adversarial net (GAN) and the adversarial discriminative domain adaptation (ADDA). CatGAN is structured by shallow multilayer perceptrons (MLPs) for adversarial domain adaptation. The CatGAN comprises of two slim and symmetric subnetworks, which then formulates a coupled adversarial learning framework. With such symmetry, the input images from source/target domain can be fed into the MLP network for target/source domain generation, supervised by the coupled discriminators for confrontation. Notablely, each generator contains GAN loss and domain loss to guarantee the simple network work well. The content fidelity term aims at preserving the domain specific knowledge during generation. Another finding is that the class-wise CatGAN is an effective alternative to conditional GAN without label constraint in generative learning. We show experimentally that the proposed model achieves competitive performance with state-of-the art approaches.

研究の動機と目的

• ドメイン適応におけるドメインシフトを軽減し、ソースドメインとターゲットドメイン間のドメイン整合性を向上させること。
• 浅い多層パーセプトロンを用いた軽量で効率的な敵対的ドメイン適応アーキテクチャの開発。
• ターゲットドメインにラベルデータを必要とせずにコンテンツを保持するドメイン転送を可能にすること。
• ラベルの明示的監視なしに、条件付き GAN のような設定でクラスごとの生成がどの程度有効に機能するかを調査すること。

提案手法

• CatGAN は、ソースからターゲットへのドメイン変換とターゲットからソースへのドメイン変換の両方を処理する、対称的で浅い多層パーセプトロン（MLP）サブネットワークを2つ使用する。
• フレームワークは、対応するディスクラミネータをだませるようトレーニングされる各ジェネレータを実現するため、結合型ディスクラミネータを用いる。
• 各ジェネレータは、GAN 損失とドメイン損失の組み合わせで最適化され、実際的でドメインに整合した画像生成を保証する。
• 生成プロセス中にドメイン固有の特徴を保持するために、損失関数にコンテンツ忠実性項が統合される。
• モデルはクラスごとの生成をサポートしており、ラベル監視なしに条件付き GAN の代替手段として機能する。
• 対称的アーキテクチャにより、双方向のドメイン転送と両方のジェネレータおよびディスクラミネータの共同最適化が可能になる。

実験結果

リサーチクエスチョン

• RQ1 複雑なネットワークやラベルデータが不要な軽量で対称的な MLP を用いた GAN アーキテクチャが、競争力あるドメイン適応性能を達成できるか。
• RQ2 結合型敵対的トレーニングフレームワークは、ソースドメインとターゲットドメインの分布をどの程度効果的に整合できるか。
• RQ3 コンテンツ忠実性項は、画像生成プロセス中にドメイン固有の特徴をどの程度効果的に保持できるか。
• RQ4 条件付き GAN と同様の効果を発揮するが、明示的なラベル制約なしにクラスごとの生成がどの程度効果的に実現できるか。
• RQ5 精度と効率の観点から、CatGAN は最先端のドメイン適応手法と比較してどの程度優れているか。

主な発見

• CatGAN は、軽量なアーキテクチャであるにもかかわらず、ドメイン適応ベンチマークで競争力ある性能を達成し、最先端の手法と同等またはそれを上回る。
• 対称的で結合型のトレーニングフレームワークは、敵対的学習を通じて、ソースドメインとターゲットドメインの分布を効果的に整合する。
• コンテンツ忠実性損失の導入により、生成画像の品質とドメイン固有の特徴の保持が顕著に向上した。
• ラベル制約なしにクラスごとの生成が成功裏に実現され、本モデルがラベルなしの条件付き GAN の代替手段としての能力を示した。
• 浅い MLP の使用により、効率的なトレーニングと推論が可能となり、CatGAN はドメイン適応タスクにスケーラブルなソリューションである。