- …
- …
#128
summarized by : Tatsuya Onishi
どんな論文か？
CGシミュレータを用いた合成画像データセットに対して，CGのパラメータごとに，性質の異なる複数の下流タスクへの転移学習の行いやすさ（Transferability）を求めた．
その上で，下流タスクのベクトル表現を用いてシミュレータの最適なパラメータを学習することで，それぞれの下流タスクに最適な合成画像を生成するTask2Simモデルを提案する．
新規性
様々な合成画像データセットに対してTransferabilityを求めた．
Task2Simでは，下流タスクのベクトル表現から物体の配置・光の向き・ぼかしの強さ・背景などのパラメータを学習し，Three-D-Worldプラットフォームで合成画像の生成を行う．生成画像で学習した分類器で下流タスクに取り組み，出た精度を報酬としてパラメータを調整している．
結果
全ての下流タスクで高い性能を出す万能な合成画像データセットは存在せず．
Task2Simを用いた実験では，下流タスクでFine-tuningを行うとImageNetと同等の精度に到達した．特に学習中に経験していない「unseen」な下流タスクでは，精度の平均はImageNetを上回った．
その他（なぜ通ったか？等）
https://samarth4149.github.io/projects/task2sim.html
Transferabilityについての調査がこれまで少なかったのが意外．今回操作したパラメータは8つだったが，下流タスクに合わせてパラメータを調整するというアイデアは様々な分野に応用が効きそう．
- …
- …