Conditional generative adversarial networks (cGANs) have shown superior results in class-conditional generation tasks. To simultaneously control multiple conditions, cGANs require multi-label training datasets, where multiple labels can be assigned to each data instance. Nevertheless, the tremendous annotation cost limits the accessibility of multi-label datasets in real-world scenarios. Therefore, in this study we explore the practical setting called the single positive setting, where each data instance is annotated by only one positive label with no explicit negative labels. To generate multi-label data in the single positive setting, we propose a novel sampling approach called single-to-multi-label (S2M) sampling, based on the Markov chain Monte Carlo method. As a widely applicable “add-on” method, our proposed S2M sampling method enables existing unconditional and conditional GANs to draw high-quality multi-label data with a minimal annotation cost. Extensive experiments on real image datasets verify the effectiveness and correctness of our method, even when compared to a model trained with fully annotated datasets.
조건부 적대적 생성 신경망은 클래스 조건부 생성 작업에서 우수한 결과를 보여주었다. 여러 조건을 동시에 제어하기 위해 조건부 적대적 생성 신경망에는 각 데이터에 여러 레이블이 할당할 수 있는 다중 레이블 학습 데이터 세트가 필요하다. 그럼에도 불구하고, 막대한 주석 비용은 실제 상황에서 다중 레이블 데이터 세트의 사용성을 제한한다. 따라서 본 연구에서는 각 데이터마다 명시적인 부정 레이블이 없이 단 하나의 양성 레이블만 주어진 상황인 단일 양성 설정을 탐구한다. 단일 양성 설정에서 다중 레이블 데이터를 생성하기 위해, 우리는 마르코프 체인 몬테 카를로 방법을 기반으로 하는 새로운 샘플링 접근법을 제안한다. 제안한 샘플링 방법론은 기존의 비조건부 및 조건부 적대적 생성 신경망이 최소한의 주석 비용으로 고품질의 다중 레이블 데이터를 생성할 수 있도록 한다. 실제 이미지 데이터 세트에 대한 광범위한 실험을 통해 우리 방법의 효과와 정확성을 검증하고, 완전한 주석이 달린 데이터 세트로 훈련된 모델과 비교해서도 뛰어난 성능을 가진 것을 보인다.
