More Related Content More from harmonylab (20) Colorful image colorization1. “COLORFUL IMAGE COLORIZATION”
RICHARD ZHANG, PHILLIP ISOLA, ALEXEI A. EFROS
UNIVERSITY OF CALIFORNIA, BERKELEY
5 OCT 2016
https://arxiv.org/pdf/1603.08511.pdf
B4 木戸口 稜Deep Learningゼミ
8. 目的関数の設計
8
QWH
Z
1,0
)(ˆ XGZ
: 各画素ごとの確率分布
: 学習する関数
多項式クロスエントロピー損失関数
wh q
qwhqwhwhcl ZZZvZZL
,
,,,,, )ˆlog()(,ˆ
)(・v : 色のクラス希少性に基づいて損失を再調整するために
使用できる重み付け項
また、元の色と比較するために を定義し、
最終的に、 を計算する。
)(1
YHZ gt
)ˆ(ˆ ZHY
17. 評価(PERCEPTUAL REALISM(AMT))
方法
実験の参加者(40人)に、元の画像と作成した画像を示し、作成したと思う
画像を選んでもらう
実験は10回の練習試験(解答を教え、分析から除外)と40回の本試験(解
答を教えない)を行った
結果
32%の試行で参加者を騙せていた。(比較したすべてのアルゴリズム
よりも高い)
損失関数とクラスリバランスの両方を用いることの有用性が示された。
注意
アルゴリズムが完全に元の色を再現できた時、参加者は同じ画像から偽
物を選ぶことになり、正解率は50%になる。
17
19. 評価(SEMANTIC INTERPRETABILITY)
方法
実際のカラー画像からImageNetクラスを予測するために作られたVGG
ネットワークに偽のカラー画像を入力する
クラス分類が上手くいく→色付けはクラス識別に必要な情報を再現でき
ている
結果
入力から色を除去したとき、分類器の性能は68.3%から52.7%に低下す
る。
OUR(FULL)では、56.0%に改善された。(OURの他の方法ではわずかに
高い値を達成する)
19
20. 評価(RAW ACCURACY(AUC))
方法
ab空間でL2距離がある閾値内の予測の色パーセンテージを計算する。
0から150までの閾値を作り、累積質量関数を生成し、曲線下面積
(AuC)を積分して正規化する。
結果
Ours(full)よりも変種の方が上手くいった。
Ours(class)はOurs(L2)を上回るが、Ours(L2,ft)はOurs(class)と同等の性
能であった。
L2損失関数は正確なカラーリングができるが、ゼロからの最適化が難し
い。
この方法では、rawデータへの予測精度を予測するのに対し、本方法では
妥当性を目標としていることに留意されたい
20