推荐星级：
- 1
- 2
- 3
- 4
- 5
基于条件深度卷积生成对抗网络的图像识别方法
资料介绍
生成对抗网络(Generative adversarial networks,GAN)是目前热门的生成式模型.深度卷积生成对抗网络(Deep convolutional GAN,DCGAN)在传统生成对抗网络的基础上,引入卷积神经网络(Convolutional neural networks,CNN)进行无监督训练;条件生成对抗网络(Conditional GAN,CGAN)在GAN的基础上加上条件扩展为条件模型.结合深度卷积生成对抗网络和条件生成对抗网络的优点,建立条件深度卷积生成对抗网络模型(Conditional-DCGAN,C-DCGAN),利用卷积神经网络强大的特征提取能力,在此基础上加以条件辅助生成样本,将此结构再进行优化改进并用于图像识别中,实验结果表明,该方法能有效提高图像的识别准确率.
部分文件列表
| 文件名 | 大小 |
| 基于条件深度卷积生成对抗网络的图像识别方法.pdf | 2M |
部分页面预览
（完整内容请下载后查看）第 44 卷 第 5 期
2018 年 5 月
自
动
化
学
报
Vol. 44, No. 5
May, 2018
ACTA AUTOMATICA SINICA
基于条件深度卷积生成对抗网络的图像识别方法
李佳歆 2
唐贤伦 1
杜一铭 1
刘雨微 2
马艺玮 2
摘
要
生成对抗网络 (Generative adversarial networks, GAN) 是目前热门的生成式模型. 深度卷积生成对抗网络 (Deep
convolutional GAN, DCGAN) 在传统生成对抗网络的基础上, 引入卷积神经网络 (Convolutional neural networks, CNN) 进
行无监督训练; 条件生成对抗网络 (Conditional GAN, CGAN) 在 GAN 的基础上加上条件扩展为条件模型. 结合深度卷积生
成对抗网络和条件生成对抗网络的优点, 建立条件深度卷积生成对抗网络模型 (Conditional-DCGAN, C-DCGAN), 利用卷
积神经网络强大的特征提取能力, 在此基础上加以条件辅助生成样本, 将此结构再进行优化改进并用于图像识别中, 实验结果
表明, 该方法能有效提高图像的识别准确率.
关键词 生成对抗网络, 卷积神经网络, 条件模型, 特征提取, 图像识别
引用格式 唐贤伦, 杜一铭, 刘雨微, 李佳歆, 马艺玮. 基于条件深度卷积生成对抗网络的图像识别方法. 自动化学报, 2018,
44(5): 855−864
DOI 10.16383/j.aas.2018.c170470
Image Recognition With Conditional Deep Convolutional
Generative Adversarial Networks
TANG Xian-Lun1
DU Yi-Ming1
LIU Yu-Wei2
LI Jia-Xin2
MA Yi-Wei2
Abstract Generative adversarial network (GAN) is a prevalent generative model. Deep convolutional generative adver-
sarial network (DCGAN), based on traditional generative adversarial networks, introduces convolutional neural networks
(CNN) into the training for unsupervised learning to improve the effect of generative networks. Conditional generative
adversarial network (CGAN) is a conditional model which adds condition extension into GAN. The generative model of
conditional-DCGAN (C-DCGAN) is a combination of DCGAN and CGAN, which integrates the feature extraction of con-
volutional networks and condition auxiliary generative sample for image recognition. The result of simulation experiments
shows that this model can improve the accuracy of image recognition.
Key words Generative adversarial network (GAN), convolutional neural networks (CNN), conditional models, feature
extraction, image recognition
Citation Tang Xian-Lun, Du Yi-Ming, Liu Yu-Wei, Li Jia-Xin, Ma Yi-Wei. Image recognition with conditional deep
convolutional generative adversarial networks. Acta Automatica Sinica, 2018, 44(5): 855−864
生 成 对 抗 网 络
是
种生成模型[1] 不同于传统生成模型 其在网络结构
上除了生成网络外 还包含一个判别网络 生成网络
与判别网络之间是一种对抗的关系 对抗的思想源
中各自利用对方的策略变换自己的对抗策略 以此
达到获胜目的[2] 引申到生成对抗网络中 即生成
器和判别器为博弈双方 生成器拟合数据的产生过
等在
年提出的一
程生成模型样本 优化目标是达到纳什均衡[3]
使
生成器估测到数据样本的分布 目前在图像
自博弈论
博弈双方在平等的对局
和视觉领域得到了广泛的研究和应用 已经可以生
成数字和人脸等物体对象 构成各种逼真的室内外
场景 从分割图像恢复原图像 给黑白图像上色 从
物体轮廓恢复物体图像 从低分辨率图像生成高分
收稿日期 2017-08-29 录用日期 2017-12-14
Manuscript received August 29, 2017; accepted December 14,
2017
国家自然科学基金 (61673079, 61703068), 重庆市基础科学与前沿技
辨率图像等[4] 此外
已经开始被应用到语音
术研究项目 (cstc2016jcyjA1919) 资助
Supported by National Natural Science Foundation of China
(61673079, 61703068) and Chongqing Research Program of Basic
Research and Frontier Technology (cstc2016jcyjA1919)
本文责任编委 李力
Recommended by Associate Editor LI Li
1. 重庆邮电大学计算机科学与技术学院 重庆 400065 2. 重庆邮电
大学自动化学院 重庆 400065
1. College of Computer Science and Technology, Chongqing
和语言处理[5−6]、电脑病毒监测[7]、棋类比赛程序[8]
等问题的研究中 然而生成对抗网络在图像识别
领域的应用却不多 虽然图像识别现有方法如卷积
神经网络
等已经有很高的识别率 但这些方法依赖大量数据
并且收敛速度较慢 本文结合条件生成对抗网络
与深度卷积生成对抗
University of Posts and Telecommunications, Chongqing 400065
2. College of Automation, Chongqing University of Posts and
Telecommunications, Chongqing 400065
856
自
动
化
学
报
44 卷
网络
建立
接近
而
接近 此时
会
条件深度卷积生成对抗网络模型
增大
利用该网络模型的判别器
提取特征用于图像分类 实验结果表明 该方法
能有效提高图像识别的正确率 本文第 节介绍
的原理 第 节和第 节分别介绍
相比其他生成模型 从实际结果看
能产
需要
生更好的生成样本
但原始的
存在很多问题 训练
达到纳什均衡 训练
模型是不稳定的 另外
和
第
节结合
和
建立
它也很难去学习生成离散的数据 为了取得 胜利
生成器会选择容易生成的样本
模型用于图像分类 第 节对实验结果
进行分析 第 节对本文进行总结和展望
2 条件生成对抗网络
1 生成对抗网络原理
条件生成对抗网络
是在
的基础
上加上了条件扩展为条件模型 如果生成器和判别
器都适用于某些额外的条件 例如类标签 那么可
以通过将 附加到输入层中输入到生成器和判别器
中进行调节 可以指导数据生成过程[9]
生成对抗网络
和判别模型
由两个模型构成 生成模
型
随机噪声 通过
的样本
生成尽量
判别模型
服从真实数据分布
data
可以判断出输入样本是真实数据 还是生成数据
在生成器中 输入噪声的同时输入相应条件
而真实数据 和条件 作为判别器的输入 其目标
和
都可以是非线性的映射函数 比如多
的流程如图 所示
层感知器
函数
如式
所示
|
˜
−
|
对于目标函数
˜
由式
的优化过程与
可知
相似
|
表
˜
( )
示将数据 与条件 输入判别器
实数据的概率
得到是否为真
表示随
−
|
˜
( )
图 1 GAN 流程图
机噪声结合条件 输入生成器产生的生成样本 然
后通过判别器判断其为真实数据的概率 图 是一
Fig. 1 GAN flow chart
个简单的
结构
核心原理的算法描述如下
首先 在生成器给定的情况下 优化判别器 判
别器为一个二分类模型 训练判别器是实现最小化
交叉熵的过程
数据分布
· 为期望值的计算
采样于真实
采样于先验分布
data
生成器为了学习数据 的分布 由先验噪声分
布
构建了一个映射空间
对应的判别
器映射函数为
实数据的概率
输出一个标量表示 为真
图 2 CGAN 流程图
Fig. 2 CGAN flow chart
˜
若条件 为类别标签 则可以认为
将无监督的 模型变为有监督模型的改进
是
−
˜
其中
中
表示真实样本
˜
( )
3 深度卷积生成对抗网络
表示 通过判别网络判断其为真实样本的
表示输入生
概率
−
中
深度卷积生成对抗网络
首次将卷积
˜
( )
成样本的噪声
样本
表示生成网络由噪声 生成的
网络引入 的结构 利用卷积层强大的特征提
取能力[10] 来提高
的效果
表示生成样本通过判别网络后 判
断其为真实样本的概率 生成网络的目的是让生成
样本越接近真实样本越好 即 越接近
好 这时 会变小 而判别网络的目的是让
相比于传统
有以下特点[11−13]
越
在判别器模型中使用带步幅
的卷积代替池化层
在生成器模
全部评论(0)