Semi-Supervised Learning mit kontextbedingten generativen adversären Netzen

Wir stellen einen einfachen halbüberwachten Lernansatz für Bilder vor, der auf der In-Painting-Technik mit einem adversären Verlust basiert. Bilder mit zufällig entfernten Bereichen werden einem Generator vorgelegt, dessen Aufgabe es ist, das Loch anhand der umliegenden Pixel zu füllen. Die rekonstruierten Bilder werden anschließend einem Diskriminator-Netzwerk präsentiert, das beurteilt, ob sie echt (unveränderte Trainingsbilder) oder nicht echt sind. Diese Aufgabe dient als Regularisierer für die übliche überwachte Schulung des Diskriminators. Mit unserem Ansatz können wir große VGG-artige Netze direkt in einer halbüberwachten Weise trainieren. Wir evaluieren unseren Ansatz anhand der STL-10 und PASCAL Datensätze, wobei er Leistungen erzielt, die vergleichbar oder überlegen zu den existierenden Methoden sind.