Resumen

El método de traducción de imagen a imagen tiene como objetivo aprender mapeos entre dominios a partir de datos emparejados/no emparejados. Aunque esta técnica se ha utilizado ampliamente para tareas de predicción visual como clasificación y segmentación de imágenes y ha logrado grandes resultados, todavía no hemos logrado realizar traducciones flexibles al intentar aprender diferentes mapeos, especialmente para imágenes que contienen múltiples instancias. Para abordar este problema, proponemos un marco generativo DAGAN (Red Generativa Adversaria Consciente del Dominio) que permite a los dominios aprender relaciones de mapeo diversas. Supusimos que una imagen está compuesta por un dominio de fondo y de instancias y luego los alimentamos en diferentes redes de traducción. Por último, integramos los dominios traducidos en una imagen completa con etiquetas suavizadas para mantener el realismo. Examinamos el marco consciente de instancias en conjuntos de datos generados por YOLO y confirmamos que es capaz de generar imágenes con igual o mejor diversidad en comparación con los modelos de traducción actuales.

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Traducción de imagen a imagen; Asignaciones entre dominios; Marco generativo; DAGAN; Marco consciente de instancias; YOLO
• Keywords:Image-to-image translation; Inter-domain mappings; Generative framework; DAGAN; Instance-aware framework; YOLO