Image Recognition With Conditional Deep Convolutional Generative Adversarial Networks
-
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.Abstract: Generative adversarial network (GAN) is a prevalent generative model. Deep convolutional generative adversarial 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 convolutional 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.
-
1. 引言
随着计算能力的提高和计算理论的创新,机器学习在过去30年中取得了长足的发展,正受到越来越多人的关注,并在生物、医药、能源、交通、环境等诸多领域中获得了成功的应用.与此同时,机器学习也面临越来越多的问题,传统机器学习理论框架的不足被逐渐发现和确认,新的机器学习理论框架不断被提出[1].
中科院自动化所王飞跃研究员于2004年提出了平行系统的思想,试图用一种适合复杂系统的计算理论与方法解决社会经济系统中的重要问题.其主要观点是利用大型计算模拟、预测并诱发引导复杂系统现象,通过整合人工社会,计算实验和平行系统等方法,形成新的计算研究体系[2-5].
在过去的10多年中,平行系统这一研究体系在实践中取得了大量的成果,并不断丰富和完善起来[6-9]. 近年来,我们尝试将平行系统的思想扩展并引入到机器学习领域建立一种新型理论框架以更好地解决数据取舍、行动选择等传统机器学习理论不能很好解决的问题.
以下我们将首先回顾常见的一些机器学习理论,并比较它们在数据获取---行动选择这一核心问题上的处理方式. 接着,我们将提出"平行学习"这一新型机器学习理论框架,并着重分析其独特之处. 最后我们总结全文.
2. 一些现有机器学习的理论框架
着眼于数据获取和行动选择之间的关系,我们可以建立如下数学模型来描述常见的一些机器学习理论框架:
假设我们获取到一系列数据并构成集合$X=\left\{ {x_i } \right\}$,$i=1,{\cdots},I$. 若研究对象为复杂系统,则这些数据通常为观测到的系统状态或输出. 针对这些数据,我们可以采取一系列行动$a_k $并构成集合$A=\left\{ {a_k ({X}')}\right\}$,$k=1,{\cdots},J$,${X}'\subseteq X$表示数据集$X$的一个子集. 每一个行动可以导致一个回报$R(a_j )$,且数据的获取和采取行动可以在时间上分离. 我们的目标是,通过机器学习,最大化长期回报
\begin{equation}\label{eq1} \mathop {\max }\limits_{a_j ,1\le j\le J}\sum\limits_{k=1}^J {R(a_k )}\end{equation}
(1) 如果我们关心的是每一个行动导致的损失$L(a_k )$,则目标函数可变为最小化长期损失
\begin{equation}\label{eq2} \mathop {\min }\limits_{a_k ,1\le k\le J}\sum\limits_{k=1}^J {L(a_k )}\end{equation}
(2) 对于常见的有监督学习(Supervised learning)[10-11]而言,上述这一模型可以进一步简化为: 当所有数据已知且已经被正确分类后,我们采取一个行动: 建立一个函数映射(通常是分类函数)来最小化分类误差.一般而言,我们预设数据服从独立同分布假设(Independent and identically distributed,i.i.d.),则目标函数可进一步写为
\begin{equation}\label{eq3} \mathop {\min }\limits_a L(a(X))=\mathop {\min}\limits_a \sum\limits_{i=1}^I {L(x_i ,a)}\end{equation}
(3) 相对于有监督学习,在线机器学习(Online machine learning)[12-14]强调了数据是逐渐获取的,且每新获得一个数据,系统可基于所有已经获取的数据采取一个行动.对于在线机器学习的特例序贯学习(Sequential learning),我们每次仅仅获取一个数据$x_i $,依据映射函数$f(\cdot)$产生一个预测行动$f(x_i )$,接着我们再获取$x_i$真正的标记数据$y(x_i )$,并计算由此产生的损失$L\left[{f(x_i),y(x_i )} \right]$. 最终我们的目标函数为选取合适的映射$f(\cdot )$,最小化长期后悔值(Regret value)
\begin{equation}\label{eq4} \mathop {\min }\limits_f L(a(X))=\mathop {\min}\limits_f \sum\limits_{i=1}^I {L\left[{y(x_i ),f(x_i )} \right]}\end{equation}
(4) 这里我们有多个行动,并随着所获数据的增多,不断优化采取的行动.
与在线学习类似,强化学习(Reinforcement learning)[15-16]依然假设数据逐渐获取,但机器学习系统不再被动地接受数据,而转为主动寻求.系统在$t$时刻每获得一个数据$x_i^{(t)} $ (在强化学习中$x_i$为系统状态),可采取一系列行动$a_i^{(t)} $. 为简化符号,下文中系统状态和行动记为$x_t $和$a_t $.强化学习允许我们在$t$时刻的行动$a_t $影响到我们在$\left( {t+1}\right)$时刻的获取的数据$x_{t+1} $,也即存在如下的$T(\cdot ,\cdot):X× A\to X$表示特定的状态转移函数
\begin{equation}\label{eq5} T(x_t ,a(x_t ),x_{t+1} )=\Pr \left( {x_{t+1} \vert x_t,a(x_t )} \right)\end{equation}
(5) 我们的目标函数为
\begin{eqnarray}\label{eq6} &\mathop {\max }\limits_a \sum\limits_{t=1}^\infty{T(x_t ,a(x_t ),x_{t+1} )}[{R_a (x_t ,a(x_t))}+\nonumber\\&~~{\gamma \cdot V(x_{t+1} )}]\end{eqnarray}
(6) 其中$R_a (x_t ,a(x_t ))$为$t$时刻系统处于状态$x_t$、施加行动$a(x_t )$所获得的即时回报,$V(x_{t+1})$为系统处于状态$x_{t+1} $的长期平均回报,$\gamma $为折扣因子.
因此,强化学习属于主动学习(Active learning)[17]的一种,我们可以选取特定的行动来兼顾优化目标函数和探索输入数据集合$X$.这相对于在线机器学习是非常重要的改进.
然而,经典的强化学习将数据获取和对应行动局限在马尔科夫决策过程(Markov decision processes)的框架中,限制了其能力的发挥.目前研究者提出了不少强化学习的变体,如深度强化学习(Deep reinforcement learning),但基本沿用了马尔科夫决策过程这一框架.这一做法虽然保证了一定范围内学习的有效性,却不能很好地应用到非马尔科夫决策过程.
强化学习不需要传统意义上的有标签数据,实际上其学习的过程就是不断更新数据标签的过程.但是它的学习效率并不高,需要跟环境进行大量交互从而获得反馈用以更新模型.当面临复杂系统大数据处理时,过高的系统状态维数常常使得可行解的探索变得十分困难[18-20].
3. 平行学习的理论框架
为了进一步拓展学习能力,特别是为了解决强化学习所面临的难题,我们提出如下图 1所示的平行学习的基本框架.其大致可以分为数据处理和行动学习两个互相耦合关联的阶段.
图 1 平行学习的理论框架图(虚线上方为通过软件定义的人工系统进行大数据预处理,虚线下方表示基于计算实验的预测学习和集成学习,以及平行控制和指示学习. 细线箭头代表数据生成或数据学习,粗线箭头代表行动和数据之间的交互.)Fig. 1 The theoretical framework of parallel learning (The part above the dash line focuses on big data preprocessing using software defined artificial systems; the part beneath the dash line focuses on predictive learning and ensemble learning based computational experiments,as well as parallel control and prescriptive learning. The thin arrows represent either data generation or data learning; the thick arrows present interactions between data and actions.)在数据处理阶段,平行学习首先从原始数据中选取特定的"小数据",输入到软件定义的人工系统中,并由人工系统产生大量新的数据.然后这些人工数据和特定的原始小数据一起构成解决问题所需要学习的"大数据"集合,用于更新机器学习模型[18].
在行动学习阶段,平行学习沿用强化学习的思路,使用状态迁移来刻画系统的动态变化,从人工合成大数据中学习,并将学习到的知识存储在系统状态转移函数中.但特别之处在于,平行学习利用计算实验方法进行预测学习(Predictive learning). 通过学习提取,我们可以得到应用于某些具体场景或任务的"小知识",并用于平行控制和平行决策.这里的"小"是针对所需解决具体问题的特定智能化的知识,而不是指知识体量上的小.
而平行控制和平行决策将引导系统进行特定的数据采集,获得新的原始数据,并再次进行新的平行学习,使系统在数据和行动之间构成一个闭环.不仅如此,我们还引入指示学习(Prescriptive learning)的思想,从另一个角度来重新结合数据和行动.
4. 平行学习的三大特色方法
在上述新型理论框架的基础上,我们展开说明平行学习采用的特色方法.
4.1 通过软件定义的人工系统进行大数据预处理
杂乱无序的数据难以学习. 基于平行理论,我们可以构建人工场景来模拟和表示复杂系统的特定场景,并将选取的特定"小数据"在平行系统中演化和迭代,以受控的形式产生更多因果关系明确、数据格式规整、便于探索利用的大数据,再把大数据浓缩成小知识、小智慧和小定律[2-9, 18].这一点也符合美国物理学家费曼(Richard Feynman)所说的名言"不是我创造的,我就不能理解" (What I cannot create,I do not understand)[21].
以业界当前研究的新热点"平行视觉" (Parallel vision)为例[22-25]. 我们根据实际采集的少量图像数据,提取特定要素,然后在模拟环境条件中加入新的变化(如改变摄像机朝向、光照和天气条件等)以得到更加多样化的虚拟数据.对虚拟实验产生的结果进行计算评估,我们可以校正视觉模型,并重新设计新计算实验,产生新的虚拟数据. 这一迭代将反复执行直到收敛.测试表明,结合虚拟数据和真实数据可以有效提高模型性能.
需要指出的是,平行学习中将用于产生虚拟数据的人工系统和分析数据的机器学习系统进行了一定程度的切分,允许直接在数据处理阶段进行采样.这为数据产生和数据分析添加了更多的灵活性,和传统机器学习主要由行动来驱动数据采集是不同的.
由于我们采用的是软件定义的人工系统,我们可以借助虚实互动的平行执行来在线优化人工系统模型,更好地实现对复杂系统的智能理解和数据采样.所有数据学习的结果都能用来对人工系统模型进行校正和升级. 因此,我们并非割裂数据产生和数据分析这两部分,而是将其看成一个整体的两面.
4.2 包含预测学习和集成学习的数据学习
在平行学习中,我们强调使用预测学习和集成学习来拓展经典学习方法.
1) 我们允许多个智能体(Agent) $O^n$,$n=1,{\cdots},N$共同学习,每个智能体可以独立地获取到一系列观测数据并构成集合$X^n=\left\{{x_i^n } \right\}$,$i=1,{\cdots},I^n$.每个智能体还可以独立地采取一系列行动并构成集合$A^n=\left\{ {a_k^n({X}'^n)} \right\}$,$k=1,{\cdots},J^n$,${X}'^n\subseteq X^n$表示数据集$X^n$的一个子集.
2) 每个智能体获取的数据和采取行动的次数和时间均独立. 首先,我们允许一个行动可以产生多个新的数据,而强化学习一次只能产生一个新的数据. 其次,强化学习要求获取数据和完成行动必须依次间隔执行,而平行学习允许获取数据和完成行动有着完全不同的频次和发生顺序.
3) 我们以平行世界的角度来看待系统状态的演化过程.将新获得的数据映射到平行空间中,我们可以通过大量长期的仿真迭代来预测和分析预期行动的结果,并最终将最优动作返回现实空间[2-8, 18].
基于上述三点扩展,我们可以放松数据和行动之间的耦合,极大地扩展现有的强化学习方法[26-27]. 其实,上述三点扩展已经在AlphaGo这一划时代的人工智能产品中得以体现[28].参见图 2所示,AlphaGo对于当前局面,使用蒙特卡洛树(Monte Carlo tree)方法,进行数盘20$\sim$30步的模拟测试下来探求局部最优的下法,这可以看作是使用智能体进行中长期仿真迭代来预测和分析预期行动的结果.同时,其数据的产生和行动的产生相对独立,不需时间对齐.AlphaGo利用输入的数万盘高手对局数据进行自我对战. 在和李世乭比赛之前,自我对战了3000多万盘. 这就是典型的实际小数据到虚拟大数据的过程.
图 2 AlphaGo将现实世界的数据映射到平行世界,进行多线迭代来求取预期行动Fig. 2 AlphaGo maps data in realistic world into parallel world and uses multithread iterations to determine the expected actionsLeCun在最近几年的演讲中反复以"蛋糕"比喻整个机器学习领域.而强化学习是蛋糕上的一粒樱桃,监督学习是蛋糕外面的一层糖霜,无监督学习(Unsupervised learning)[29-30]则是蛋糕胚.然而目前,糖霜和蛋糕胚之间还存在巨大的空白区域. 为此,LeCun在2016年认为预测学习可以来填补这一空白[31].
预测学习起源于认知心理学对于儿童学习方式的解释[32].其后被用来解释智能体如何从与环境的交互中学习特定知识[33-34].深入比较不难发现,预测学习和我们在过去10多年中所一直倡导的基于计算实验的平行系统方法[2-9]本质是一样的.简而言之,平行系统和预测学习的核心就是用机器给真实环境建模,仿真预测可能的未来,并通过观察和演示来理解世界如何运行的能力.其中仿真是无监督或半监督(Semi-supervised learning)[35-36]的,而初始状态和最终结果是有监督的.我们称这种学习方式为平行预测+指示学习(Parallel predictive+Prescriptive learning),可以糅合无监督、半监督和有监督三种学习方式,填补各自之间的空白.
4) 类比于多智能体系统[37-38],平行学习还允许分散学习和集成学习两种机制.
分散学习机制要求每个智能体可以独立根据自身获取的数据来进行行动,每一个行动可以导致一个回报$R(a_k^n )$.我们的目标是最大化所有智能体的总体长期回报
\begin{equation}\label{eq7} \mathop {\max }\limits_{a_k^m ,1\le k\le J,1\le m\le N}\sum\limits_{m=1}^N {\sum\limits_{k=1}^J {R^m(a_k^m )} }\end{equation}
(7) 该学习机制适合于分散控制等问题,其中每个智能体获得的数据和执行的行动都是时空局部、甚至可以时间异步的.例如,我们在分布式平行交通控制系统中设定不同路口的控制器进行迭代和学习,协同式产生和发现最优的交通信号灯控制策略[7-8].
集成学习机制则要求设置一个所谓代理智能体(Surrogate agent).每个智能体可以独立地根据自身获取的数据来进行行动,每一个行动可以导致一个回报$R^m(a_k^m )$.我们的目标是选取所有这些智能体可能获得的回报中最大的那个动作,并让代理智能体执行该动作.
\begin{equation}\label{eq8} \mathop {\arg \max }\limits_{a_k^m ,1\le k\le J,1\le m\le N} \sum\limits_{m=1}^N {R^m(a_k^m )}\end{equation}
(8) 该学习机制类似于现有的集成学习(Ensemble learning)[39],可适合于静态数据的集中分类等问题. 而我们的研究表明,更为广义的集成学习技术也可以应用于动态系统的建模和控制之中[40].其中每个智能体都致力于在学习中对复杂系统进行建模并执行特定的行动来达到某一优化目标.各智能体执行的行动是时间同步,但所获取的数据可以是时空局部的.特别地,我们可以设定策略使得每个Agent根据自身偏好来探索输入数据集的不同部分,并建立适合特定输入数据子集的行动策略[40].这一想法亦被我们用在所谓平行动态规划(Parallel dynamic programming)之中,以克服现有近似动态规划算法对于解空间探索不足的困难[41].
4.3 基于默顿定律实现数据---行动引导的指示学习
一般而言,复杂系统可以大致分为牛顿系统和默顿系统两种.无论我们怎么对牛顿系统进行分析,都不会影响系统运行的结果.例如天气预报明天下雨,那么天气是下雨下雪还是刮风,跟我们的分析调控无关. 而在默顿系统中,存在双向影响通路,我们对系统的调控会影响系统运行的结果. 例如,著名分析师对于股市的评论会影响股市的波动. 因此,我们可以设定预期的系统状态,通过对于系统的描述、预测、引导来使得系统达到控制者所期望的状态.美国社会学家默顿将这一长期行动称为预言的自我实现定律(Self-fulfilling prophecy)[42]. 该定律也被后人称为默顿定律.
默顿定律希望通过改变行动的模式,即实际系统与人工系统的平行互动,促使实际系统运行到既定目标. 然而与牛顿系统不同,默顿系统中的"行动建模"与"目标建模"相互独立,且"行动建模"受到有限先验知识,系统高度随机性等多方面因素的影响,难以实现[43]. 如果用上面的学习框架来描述,就是难以确知我们每一次探索所获得的即时回报$R_a (x,a(x))$,而且即时回报$R_a (x,a(x))$和长期回报$V(x)$之间的关系亦不明确.
幸运的是,近10年来研究者先后提出了对抗学习(Adversarial learning)[44-46]、对偶学习(Dual learning)[47]等全新的学习原则,为解决上述问题提出了新的思路.
对抗学习通过构造相互竞争的生成器和辨别器来提高学习的效率[44-46].在图像学习中,前者试图产生假的图像,后者试图鉴别出真正的图像.本质上,这依然是费曼所称"不是我创造的,我就不能理解"概念的体现,即通过构建验证过的概念来理解事物.但对抗学习最大的优点是系统的回报/损失函数不必显式给出,而是通过生成器和辨别器的对抗来自动学习和挖掘来产生.这是默顿定律所期待的,在系统和行动的互动之中,达成知识的"泛化"(Generalization).
对偶学习[47]的思路则更加偏重迭代演进.假设学习过程中有两个智能体分别从事原任务(从集合$X$到集合$Y$的学习任务)和对偶任务(从集合$Y$到集合$X$的学习任务).假如我们首先把集合$X$用第一个智能体的模型$F$映射成集合$Y$的子集$Y'$,再利用第二个智能体的模型$G$把集合$Y'$映射成集合$X$的子集$X'$.比较集合$X$和$X'$,我们常常可以获得非常有用的反馈信号来改进映射模型$F$和$G$.以机器翻译为例,上面的这个过程可以无限循环下去. 可以证明,只要机器翻译模型 $F$ 和 $G$ 的解码部分都使用的是随机算法,这一学习过程是收敛的,最终会学到两个稳定有效的模型$F$和$G$.
综合对抗学习和对偶学习,我们可以提出如下更一般的指示学习.指示学习关注如何设置引导,使得我们获得预期的学习目的或者学习效果[48].具体到大数据环境中的数据获取--数据学习这一矛盾关系中,指示学习可以被建模为反复循环的两阶段学习--探索过程.
假设我们不断地获取数据并构成集合$X=\left\{ {x_i } \right\}$,$i=1,{\cdots},I$. 针对这些数据,我们可以采取一系列行动并构成集合$A=\left\{ {a_k (X)} \right\}$,$k=1,{\cdots},J$.
在第一阶段,我们学习特定行动原则,最大化阶段性回报$V(X,a_k (X))$
\begin{equation}\label{eq9} \mathop {\max }\limits_{a_k ,1\le k\le J} V(X,a_k (X))\end{equation}
(9) 在第二阶段,我们在此基础上通过数据生成算法产生新的数据集合${X}'=\left\{ {{x}'_i} \right\}$,$i=1,{\cdots},I$,并衡量阶段性损失$L\left[{{X}',a_k({X}'))} \right]$. 损失函数$L\left[\cdot\right]$为已学会的行动原则在新数据集合${X}'$上的损失,该函数指示了我们下一步学习的方向. 对于对抗学习而言,$L\left[\cdot\right]$可以直接设为误分类比率. 对于对偶学习而言,$L\left[\cdot\right]$为迭代产生的映射误差. 对于平行系统控制而言,$L\left[\cdot\right]$通常可以设为当前系统状态和理想系统状态之间的差值[7-9].
当上述两个阶段过程完成后,我们进入新的循环,直到我们覆盖所有的数据集或系统状态,又或者我们已经到达理想的系统状态.
目前,强化学习已经为我们在第一阶段的数据学习提供了相当强的理论工具和方法.但我们对于第二阶段的数据探索尚有很多未知的领域值得深入研究.原始的对抗学习中,数据产生的方式是无模型无监督学习,但其效果有待改进[44]. 而对偶学习中,数据产生的方式是有模型无监督学习,理论证明清晰但限制较多[47]. 最近的研究表明,类似于我们在上文中提及的平行仿真和预测学习这种半监督、具有限定条件和指示性目标的演化式学习(例如利用信息熵的InfoGAN[49])可能更加适合特定问题的解决.这即是我们在上文中提到的平行预测+指示学习(Parallel predictive +Prescriptive learning)的思想的体现: 既有方向性指示,亦不过多限制中间探索过程.我们期待这一思想能带来更多新的机器学习方法.
5. 总结
在本文中,我们提出平行学习的基本思想和理论框架,并阐述了平行学习的三大特色方法:1) 通过软件定义的人工系统进行大数据预处理,2) 包含预测学习、集成学习的数据学习,和3) 基于默顿定律实现数据--行动引导的指示学习.
概括而言,平行学习理论框架强调:使用预测学习解决如何随时间发展对数据进行探索;使用集成学习解决如何在空间分布上对数据进行探索;使用指示学习解决如何探索数据生成的方向.目前我们的研究显示,扩展现有的强化学习模型能够较好地和这三者结合.但我们不排除今后有更好的模型来和我们提出的平行学习理论框架结合发展.
需要指出的是,我们主要强调从理论框架层面改进和扩展已有机器学习方法,并初步开展了相应模型和算法的研究.例如我们将平行学习方法应用到了虚拟场景生成和无人驾驶车辆智能测试[50-51],以及社会计算和情报处理[52-54].但很多细节之处尚需完备的理论证明. 期待本文抛砖引玉,引起业内专家学者兴趣,共同对机器学习理论做出更加深入的革新.
-
表 1 MNIST上各方法准确率对比
Table 1 The recognition accuracy comparison on MNIST
识别方法 预训练 准确率(%) linear classifier (1-layer NN) 去斜 91.60 K-nearest-neighbors, Euclidean (L2) - 95.00 40 PCA+quadratic classifier - 96.70 SVM, Gaussian Kernel - 98.60 Trainable feature extractor+SVMs [no distortions] - 99.17 Convolutional net LeNet-5, [no distortions] - 99.05 Convolutional net LeNet-5, [huge, distortions] huge distortions 99.15 Convolutional net LeNet-5, [distortions] distortions 99.20 CNN 归一化 98.40 C-DCGAN+Softmax - 99.45 
下载: 导出CSV
表 2 CIFAR-10上各方法准确率对比
Table 2 The recognition accuracy comparison on CIFAR-10
识别方法 准确率(%) 1 Layer K-means 80.6 3 Layer K-means Learned RF 82.0 View Invariant K-means 81.9 Cuda-convnet (CNN) 82.0 DCGAN+L2-SVM 82.8 C-DCGAN+Softmax 84
下载: 导出CSV
-
[1] 王坤峰, 苟超, 段艳杰, 林懿伦, 郑心湖, 王飞跃.生成式对抗网络GAN的研究进展与展望.自动化学报, 2017, 43(3):321-332 http://www.aas.net.cn/CN/abstract/abstract19012.shtmlWang Kun-Feng, Gou Chao, Duan Yan-Jie, Lin Yi-Lun, Zheng Xin-Hu, Wang Fei-Yue. Generative adversarial networks:the state of the art and beyond. Acta Automatica Sinica, 2017, 43(3):321-332 http://www.aas.net.cn/CN/abstract/abstract19012.shtml [2] Goodfellow I J, Pouget-Abadie J, Mirza M, Xu B, Warde-Farley D, Ozair S, Courville A, Bengio Y. Generative adversarial nets. In: Proceedings of the 27th International Conference on Neural Information Processing Systems. Montreal, Canada: ACM, 2014. 2672-2680 [3] Ratliff L J, Burden S A, Sastry S S. Characterization and computation of local Nash equilibria in continuous games. In: Proceedings of the 51st Communication, Control, and Computing (Allerton). Monticello, IL, USA: IEEE, 2013. 917-924 [4] Goodfellow I. NIPS 2016 tutorial: generative adversarial networks. arXiv preprint arXiv: 1701.00160, 2016. [5] Li J W, Monroe W, Shi T L, Jean S, Ritter A, Jurafsky D. Adversarial learning for neural dialogue generation. arXiv preprint arXiv: 1701.06547, 2017. [6] Yu L T, Zhang W N, Wang J, Yu Y. SeqGAN: sequence generative adversarial nets with policy gradient. In: Proceedings of the 31st AAAI Conference on Artificial Intelligence. San Francisco, CA, USA: AAAI, 2017. 2852-2858 [7] Hu W W, Tan Y. Generating adversarial malware examples for black-box attacks based on GAN. arXiv preprint arXiv: 1702.05983, 2017. [8] Chidambaram M, Qi Y J. Style transfer generative adversarial networks: learning to play chess differently. arXiv preprint arXiv: 1702.06762, 2017. [9] Mirza M, Osindero S. Conditional generative adversarial nets. arXiv preprint arXiv: 1411.1784, 2014. [10] 常亮, 邓小明, 周明全, 武仲科, 袁野, 杨硕, 王宏安.图像理解中的卷积神经网络.自动化学报, 2016, 42(9):1300-1312 http://www.aas.net.cn/CN/abstract/abstract18919.shtmlChang Liang, Deng Xiao-Ming, Zhou Ming-Quan, Wu Zhong-Ke, Yuan Ye, Yang Shuo, Wang Hong-An. Convolutional neural networks in image understanding. Acta Automatica Sinica, 2016, 42(9):1300-1312 http://www.aas.net.cn/CN/abstract/abstract18919.shtml [11] Radford A, Metz L, Chintala S. Unsupervised representation learning with deep convolutional generative adversarial networks. arXiv preprint arXiv: 1511.06434, 2015. [12] 金连文, 钟卓耀, 杨钊, 杨维信, 谢泽澄, 孙俊.深度学习在手写汉字识别中的应用综述.自动化学报, 2016, 42(8):1125-1141 http://www.aas.net.cn/CN/abstract/abstract18903.shtmlJin Lian-Wen, Zhong Zhuo-Yao, Yang Zhao, Yang Wei-Xin, Xie Ze-Cheng, Sun Jun. Applications of deep learning for handwritten Chinese character recognition:a review. Acta Automatica Sinica, 2016, 42(8):1125-1141 http://www.aas.net.cn/CN/abstract/abstract18903.shtml [13] 陈荣, 曹永锋, 孙洪.基于主动学习和半监督学习的多类图像分类.自动化学报, 2011, 37(8):954-962 http://www.aas.net.cn/CN/abstract/abstract17514.shtmlChen Rong, Cao Yong-Feng, Sun Hong. Multi-class image classification with active learning and semi-supervised learning. Acta Automatica Sinica, 2011, 37(8):954-962 http://www.aas.net.cn/CN/abstract/abstract17514.shtml [14] Arjovsky M, Bottou L. Towards principled methods for training generative adversarial networks. arXiv preprint arXiv: 1701.04862, 2017. [15] Srivastava N, Hinton G, Krizhevsky A, Sutskever I, Salakhutdinov R. Dropout:a simple way to prevent neural networks from overfitting. Journal of Machine Learning Research, 2014, 15(1):1929-1958 https://www.mendeley.com/research-papers/dropout-simple-way-prevent-neural-networks-overfitting/ [16] Ioffe S, Szegedy C. Batch normalization: accelerating deep network training by reducing internal covariate shift. In: Proceedings of the 32nd International Conference on Machine Learning. Lille, France: PMLR, 2015. 448-456 [17] Simon M, Rodner E, Denzler J. ImageNet pre-trained models with batch normalization. arXiv preprint arXiv: 1612.01452, 2016. [18] Krizhevsky A, Sutskever I, Hinton G E. ImageNet classification with deep convolutional neural networks. In: Proceedings of the 25th International Conference on Neural Information Processing Systems. Lake Tahoe, Nevada: ACM, 2012. 1097-1105 [19] LeCun Y, Cortes C, Burges C J C. The MNIST database of handwritten digits[Online], available: http://yann.lecun.com/exdb/mnist/, July 12, 2016 [20] 许可. 卷积神经网络在图像识别上的应用的研究[硕士学位论文]. 浙江大学, 中国, 2012.Xu Ke. Study of Convolutional Neural Network Applied on Image Recognition[Master thesis], Zhejiang University, China, 2012. [21] Krizhevsky A, Nair V, Hinton G. The CIFAR-10 dataset[Online], available: http://www.cs.toronto.edu/kriz/cifar.html, July 24, 2017 期刊类型引用(142)
1. 袁雪丰，杜洪波，朱立军，刘雪莉. 融合高效注意力的生成对抗网络图像修复算法. 沈阳工程学院学报(自然科学版). 2025(01): 63-70 . 
百度学术2. 伍海洋，马川越，刘登辉. 基于Diffusers框架的电商产品图制作方法研究. 无线互联科技. 2024(02): 104-106 . 百度学术3. 王文，何剑锋，朱文松，李卫东，聂逢君，夏菲，汪雪元，钟国韵，瞿金辉. 小样本下基于改进ACGAN数据增强的X射线矿石图像分类方法. 有色金属工程. 2024(03): 122-132 . 百度学术4. 郭海涛，汤健，丁海旭，乔俊飞. 基于混合数据增强的MSWI过程燃烧状态识别. 自动化学报. 2024(03): 560-575 . 本站查看5. 梁礼明，董信，何安军，阳渊. 融合注意力线性特征多样化的DR分级模型. 光电子·激光. 2024(06): 612-622 . 百度学术6. 郭海涛，汤健，夏恒，乔俊飞. 城市固废焚烧过程燃烧线极端异常火焰图像对抗生成. 中国电机工程学报. 2024(11): 4376-4387 . 百度学术7. 刘铭文，喻浩天，常家斌，毛逸飞. 基于ResNet的肺部CT影像识别的分析与实现. 技术与市场. 2024(06): 51-55+59 . 百度学术8. 贵昭祯，秦淳，杨逸潇，张继娟. 基于深度学习的板式家具纹理生成设计. 湖南包装. 2024(03): 169-171+184 . 百度学术9. 杨雪，谭宇. 基于条件生成对抗网络的图像增强方法. 江苏通信. 2024(03): 96-99 . 百度学术10. 邰志艳，李黛黛，刘铭. 基于自注意力机制生成对抗网络的医学图像生成. 长春工业大学学报. 2024(03): 208-215 . 百度学术11. 何文轩，李云涛，马新博，柴青平，刘小刚. 基于深度学习的岩体结构面特征提取研究. 自动化应用. 2024(16): 256-262+271 . 百度学术12. 严晓明. 一种多条件生成对抗网络模型. 福建师范大学学报(自然科学版). 2024(06): 47-54 . 百度学术13. 徐子涵，刘志锋，沈项军，吴蔚，孙家栋. 基于对抗数据增强的低秩关联SAR目标分类算法. 指挥信息系统与技术. 2024(06): 64-73 . 百度学术14. 陈凯，雷少华，代文，王春，刘爱利，李敏. 基于开源数据和条件生成对抗网络的地形重建方法. 地球信息科学学报. 2023(02): 252-264 . 百度学术15. 赵亚丽，余正涛，郭军军，高盛祥，相艳. 基于情感语义对抗的跨语言情感分类模型. 计算机工程与科学. 2023(02): 338-345 . 百度学术16. 梁礼明，董信，李仁杰，何安军. 基于注意力机制多特征融合的视网膜病变分级算法. 光电工程. 2023(01): 100-112 . 百度学术17. 王华忠，田子蕾. 基于改进CGAN算法的工控系统入侵检测方法. 信息网络安全. 2023(01): 36-43 . 百度学术18. 岳云飞，孙抗. 少样本条件下的电缆局部放电模式识别. 软件导刊. 2023(02): 60-66 . 百度学术19. 李宽宏. 基于Wasserstein条件生成对抗网络的新能源出力场景生成方法. 供用电. 2023(03): 86-94 . 百度学术20. 何进荣，孙娅妮. 基于生成对抗网络的色盲测试图像自动生成方法研究. 电视技术. 2023(02): 9-11 . 百度学术21. 郭保收. 基于GAN的广播通讯过程多链路信息融合方法. 信息技术. 2023(03): 70-74+79 . 百度学术22. 黄文育，孟斌. 基于计算兴波云图的舰船航速智能识别方法. 舰船科学技术. 2023(10): 147-151 . 百度学术23. 汤健，王子轩，夏恒，徐喆，韩红桂. 面向智能回收装置的废旧手机深度森林识别. 控制工程. 2023(05): 886-893 . 百度学术24. 丁满，袁云磊，张新新，孙鸣宇. 基于深度学习的产品色彩情感化设计. 计算机集成制造系统. 2023(05): 1647-1656 . 百度学术25. 于文家，胡晓青，韩国璇，左昱昊. 基于条件生成对抗网络的图像超分辨率重建研究. 信息技术与信息化. 2023(05): 27-30 . 百度学术26. 岑逸翔，孙绍哲，谢玮松，刘杨，杨晓琴. 一种基于生成对抗网络的电波传播数据增强方法. 电声技术. 2023(02): 134-137 . 百度学术27. 赵译文，刘云鹏. 基于子空间流形的图像集识别方法. 计算机应用. 2023(S1): 207-211 . 百度学术28. 朱俊东，卓广平，吴诗雨，张光华. 基于迁移学习的糖尿病视网膜病变的分类检测. 中北大学学报(自然科学版). 2023(04): 478-486 . 百度学术29. 魏财根，林炜鑫，赵晨. 基于深度卷积生成对抗网络和卷积神经网络的叶片病虫害问题研究. 木工机床. 2023(02): 16-20+36 . 百度学术30. 欧莉莉，杜芳芳. 基于半监督编码的深度卷积对抗网络模型研究. 软件工程. 2023(08): 53-57 . 百度学术31. 王列伟，闫科学，夏宝前，王凯，李阳，唐亮，连捷. 隧道智能安全监测与绿色照明融合系统研制及应用. 铁路技术创新. 2023(05): 107-112 . 百度学术32. 陈彤，郭剑锋，韩心中，谢学立，席建祥. 基于生成对抗模型的可见光-红外图像匹配方法. 浙江大学学报(工学版). 2022(01): 63-74 . 百度学术33. 姚军财，申静，黄陈蓉. 基于多层BP神经网络的无参考视频质量客观评价. 自动化学报. 2022(02): 594-607 . 本站查看34. 张强，杨吉斌，张雄伟，曹铁勇，郑昌艳. CS-Softmax:一种基于余弦相似性的Softmax损失函数. 计算机研究与发展. 2022(04): 936-949 . 百度学术35. 赵玉明，顾慎凯. 融合残差密集块自注意力机制和生成对抗网络的对抗攻击防御模型. 计算机应用. 2022(03): 921-929 . 百度学术36. 李良福，黎光耀，王楠，张晰. 基于渐进式特征推理的裂缝图像修复方法研究. 光电子·激光. 2022(04): 393-402 . 百度学术37. 胡贵恒，张震，陈翠红. 基于Zernike矩与灰度计算的微弱光学图像智能识别方法. 上海电机学院学报. 2022(02): 100-105 . 百度学术38. 吴钉捷，李晓露，陆一鸣. 基于生成对抗网络和联邦学习的非侵入式负荷分解方法. 电测与仪表. 2022(06): 37-45 . 百度学术39. 张承圣，邵振国，陈飞雄，江昌旭，冯健冰. 基于条件深度卷积生成对抗网络的新能源发电场景数据迁移方法. 电网技术. 2022(06): 2182-2190 . 百度学术40. 宣萌，刘坤. 基于半监督生成对抗网络的乳腺癌图像分类. 光电子·激光. 2022(07): 770-777 . 百度学术41. 王军，韩淑雨，潘在宇，申政文. 复杂多源数据表征学习理论研究与应用. 中国基础科学. 2022(03): 40-46 . 百度学术42. 王伟喆，郭威彤，杨鸿武. 手语到情感语音的转换. 计算机工程与科学. 2022(10): 1869-1876 . 百度学术43. 黄屿璁，张潮，吕鑫，曾涛，王鑫元，丁辰龙. 基于深度学习的网络入侵检测研究综述. 信息安全研究. 2022(12): 1163-1177 . 百度学术44. 何方圆. 基于图像识别技术的隧道工程监控管理系统设计. 计算机测量与控制. 2022(11): 46-51 . 百度学术45. 申珺妤，李许辰，胡超，孙小语，丘双飞，聂小伟，乐光学. 基于深度神经网络的秒变妆容系统. 电脑知识与技术. 2022(27): 33-35+39 . 百度学术46. 裴卉宁，谭昭芸，张金勇，赵芳华，黄雪芹. DCGAN在汽车造型设计模型中的应用. 机械科学与技术. 2022(10): 1567-1576 . 百度学术47. 周晓敏，李雄，李丽琦，巩宪锋，张清东，张勃洋. 基于自适应矩估计算法的冷连轧机板形反馈优化控制策略. 冶金自动化. 2022(06): 102-110 . 百度学术48. 武洋名，宗学军，何戡. 基于数据增强的DBN-ELM入侵检测方法. 科学技术与工程. 2022(34): 15195-15202 . 百度学术49. 熊鹏文，童小宝，宋爱国，刘小平. 基于变分贝叶斯高斯混合噪声模型的机器人跨模态生成对抗网络. 中国科学:信息科学. 2021(01): 104-121 . 百度学术50. 于文家，丁世飞. 基于自注意力机制的条件生成对抗网络. 计算机科学. 2021(01): 241-246 . 百度学术51. 杨彦利，矫红岩. 基于DCGAN的绝缘子图像生成方法. 自动化与仪表. 2021(01): 5-9 . 百度学术52. 王铁强，鲁鹏，曹欣，杨晓东，王维，吕昊，冯春贤，田潮，石皓岩，梁海平. 基于堆叠自动编码器的电网运行断面相似性匹配研究. 电力建设. 2021(01): 117-124 . 百度学术53. 杨剑锋，秦钟，庞小龙，贺志华，崔春晖. 基于深度学习网络的输电线路异物入侵监测和识别方法. 电力系统保护与控制. 2021(04): 37-44 . 百度学术54. 赵海霞，石洪波，武建，陈鑫. 基于条件生成对抗网络的不平衡学习研究. 控制与决策. 2021(03): 619-628 . 百度学术55. 张凝，杨贵军，赵春江，张竞成，杨小冬，潘瑜春，黄文江，徐波，李明，朱西存，李振海. 作物病虫害高光谱遥感进展与展望. 遥感学报. 2021(01): 403-422 . 百度学术56. 欧莉莉，邵峰晶，孙仁诚，隋毅. 基于半监督方法的脑梗死图像识别. 计算机应用. 2021(04): 1221-1226 . 百度学术57. 尹玉婷，肖秦琨. 基于深度卷积生成对抗网络的图像生成. 计算机技术与发展. 2021(04): 86-92 . 百度学术58. 顾永涛，徐泽禹，盛庆博，张卫，李炜，谭嘉，李知艺. 基于生成对抗网络的光伏出力区间预测方法. 哈尔滨理工大学学报. 2021(02): 100-109 . 百度学术59. 杨艳华，崔灿，姚立纲. 基于循环编码生成对抗网络的小样本辨识方法. 武汉大学学报(工学版). 2021(05): 467-476 . 百度学术60. 顾洁，刘书琪，胡玉，孟璐. 基于深度卷积生成对抗网络场景生成的间歇式分布式电源优化配置. 电网技术. 2021(05): 1742-1751 . 百度学术61. 吴巍. 基于机器学习利用较少样本数据生成卡通图的算法研究. 微型电脑应用. 2021(05): 113-115+118 . 百度学术62. 程换新，张志浩，刘文翰，郭占广. 基于生成对抗网络的图像识别. 计算机技术与发展. 2021(06): 175-180 . 百度学术63. 廖志雄，尚文祥，王士斌. 时空嵌入式生成对抗网络特殊逻辑函数检测. 计算机仿真. 2021(06): 233-237 . 百度学术64. 陈何伟，向宸. 生成对抗网络在计算机视觉领域中的应用探究. 信息与电脑(理论版). 2021(08): 208-210 . 百度学术65. 华志刚，范佳卿，郭荣，汪勇，吴潇翔. 人工智能技术在火电行业的应用探讨. 中国电力. 2021(07): 198-207 . 百度学术66. 兰天，辛月兰，殷小芳，何晓明. 基于生成对抗网络的面部属性迁移算法. 现代电子技术. 2021(15): 75-80 . 百度学术67. 孟晓娟，张月琴，郝晓丽，吕进来. 多分类深度卷积生成对抗网络的皮带撕裂检测. 计算机工程与应用. 2021(16): 269-275 . 百度学术68. 龚道庆，彭昱忠，邓楚燕，袁程，曹爱清，李红亚. 基于改进的基因表达式编程自动优化CNN. 计算机工程与设计. 2021(08): 2186-2194 . 百度学术69. 刘明，王亚刚. 基于条件生成对抗网络的舌体图像分割. 计算机与数字工程. 2021(06): 1218-1223 . 百度学术70. 李祥霞，谢娴，李彬，尹华，许波，郑心炜. 生成对抗网络在医学图像处理中的应用. 计算机工程与应用. 2021(18): 24-37 . 百度学术71. 李静，刘哲，黄文准. 基于快速非局部均值和超分辨率重建的图像降噪算法. 兵工学报. 2021(08): 1716-1727 . 百度学术72. 王海霞，李凯勇. 基于机器学习的图像敏感信息识别方法. 现代电子技术. 2021(19): 66-70 . 百度学术73. 周宇. 生成对抗网络X光图像多模态融合. 激光杂志. 2021(09): 139-143 . 百度学术74. 魏占国，宋娅萍，李亚. 基于激励压缩空洞卷积改进U-Net网络的物流托盘图像分割算法. 包装学报. 2021(05): 35-41 . 百度学术75. 于龙泽，肖白，孙立国. 风光出力场景生成的条件深度卷积生成对抗网络方法. 东北电力大学学报. 2021(06): 90-99 . 百度学术76. 赵立新，邢润哲，白银光，张宏昌，何春燕. 深度学习在目标检测的研究综述. 科学技术与工程. 2021(30): 12787-12795 . 百度学术77. 郑雯，沈琪浩，任佳. 基于Improved DR-Net算法的糖尿病视网膜病变识别与分级. 光学学报. 2021(22): 72-83 . 百度学术78. 卫星，李佳，孙晓，刘邵凡，陆阳. 基于混合生成对抗网络的多视角图像生成算法. 自动化学报. 2021(11): 2623-2636 . 本站查看79. 韦延方，吴郑磊，王鹏，王浩，杨明，曾志辉，王晓卫. 基于CNN与DCGAN的柔性直流配电网故障检测. 煤炭学报. 2021(S2): 1201-1208 . 百度学术80. 陈莹，陈湟康. 基于多模态生成对抗网络和三元组损失的说话人识别. 电子与信息学报. 2020(02): 379-385 . 百度学术81. 杨昌东，余烨，徐珑刀，付源梓，路强. 基于AT-PGGAN的增强数据车辆型号精细识别. 中国图象图形学报. 2020(03): 593-604 . 百度学术82. 刘云鹏，许自强，和家慧，王权，高树国，赵军. 基于条件式Wasserstein生成对抗网络的电力变压器故障样本增强技术. 电网技术. 2020(04): 1505-1513 . 百度学术83. 朱永红，夏力，王俊祥. 基于改进BP神经网络陶瓷梭式窑火焰图像识别方法. 中国陶瓷工业. 2020(01): 16-20 . 百度学术84. 刘尚争，刘斌. 生成对抗网络图像类别标签跨模态识别系统设计. 现代电子技术. 2020(08): 173-175 . 百度学术85. 亢伉. 利用对抗生成网络的视觉显著性预测研究. 电子设计工程. 2020(08): 180-183+193 . 百度学术86. 杜泽星，殷进勇，杨建. 基于半监督学习的遥感飞机图像检测方法. 激光与光电子学进展. 2020(06): 131-139 . 百度学术87. 王德文，李业东. 基于WGAN图片去模糊的绝缘子目标检测. 电力自动化设备. 2020(05): 188-198 . 百度学术88. 赵超. AI换脸技术的法律风险评估——从APP“ZAO”谈起. 江苏工程职业技术学院学报. 2020(01): 103-108 . 百度学术89. 王星，杜伟，陈吉，陈海涛. 基于深度残差生成式对抗网络的样本生成方法. 控制与决策. 2020(08): 1887-1894 . 百度学术90. 李素梅，陈圣. 基于密集连接的生成对抗网络实现单图像超分辨率方法研究. 电子设计工程. 2020(12): 70-74 . 百度学术91. 杨旺功，淮永建. 基于深度卷积生成对抗网络的花朵图像增强与分类. 计算机科学. 2020(06): 176-179 . 百度学术92. 王冠群. 深度卷积生成对抗网络的计算机视觉系统测试用例生成方案. 电子技术与软件工程. 2020(08): 123-127 . 百度学术93. 杨春勇，祁宏达，彭焱秋，尹滨，侯金，舒振宇，陈少平. 融合声纹信息的能量谱图在鸟类识别中的研究. 应用声学. 2020(03): 453-463 . 百度学术94. 李鑫，焦斌，林蔚天. 基于条件信息卷积生成对抗网络的图像识别. 计算机工程与应用. 2020(14): 191-198 . 百度学术95. 李昆，朱卫纲. 基于MDGAN网络的数据集扩增方法. 雷达科学与技术. 2020(02): 211-217 . 百度学术96. 杨婉香，严严，陈思，张小康，王菡子. 基于多尺度生成对抗网络的遮挡行人重识别方法. 软件学报. 2020(07): 1943-1958 . 百度学术97. 杨俊豪，李东升，陈春晓，闫强，陆熊. 基于生成对抗网络的乳腺癌组织病理图像样本均衡化. 生物医学工程研究. 2020(02): 161-166 . 百度学术98. 武鹏，郭晓芸，陈鹏，王宗伟，曹璐，金鹏. 基于LSTM网络的语音服务质检推荐技术. 计算机与现代化. 2020(07): 76-79 . 百度学术99. 蒋文杰，罗晓曙，戴沁璇. 一种改进的生成对抗网络的图像上色方法研究. 计算机技术与发展. 2020(07): 56-59 . 百度学术100. 丁娜，钟宝江. 手写液晶体数字及识别技术. 计算机工程与应用. 2020(16): 97-104 . 百度学术101. 吴晓燕，钱真坤. 基于深度卷积生成式对抗网络的人脸恢复方法. 计算机应用与软件. 2020(08): 207-212 . 百度学术102. 朱克凡，王杰贵. 小样本条件下SCGAN+CNN低分辨雷达目标一步识别算法. 系统工程与电子技术. 2020(01): 67-75 . 百度学术103. 陈扬，李旦，张建秋. 互补色小波颜色恒常性/白平衡方法. 自动化学报. 2020(07): 1378-1389 . 本站查看104. 王颢. 深度学习在图像识别中的研究与应用. 科技视界. 2020(24): 37-38 . 百度学术105. 周创，居兴国，李子昂，刘小民. 基于深度卷积生成对抗网络的地震初至拾取. 石油物探. 2020(05): 795-803 . 百度学术106. 孙秋野，刘月，胡旌伟，胡旭光. 基于GAN的非侵入式自能源建模. 中国电机工程学报. 2020(21): 6784-6794 . 百度学术107. 黎杨梅. 商超自动货架巡检系统设计. 襄阳职业技术学院学报. 2020(06): 69-72 . 百度学术108. 陈清江，屈梅. 基于级联残差生成对抗网络的低照度图像增强. 激光与光电子学进展. 2020(14): 223-232 . 百度学术109. 黄友文，赵朋，游亚东. 融合反馈机制的姿态引导人物图像生成. 激光与光电子学进展. 2020(14): 111-121 . 百度学术110. 黄汉林，景军锋，张缓缓，王震，周君. 基于MF-SSD网络的织物疵点检测. 棉纺织技术. 2020(12): 11-16 . 百度学术111. 吴俊清，倪建成，魏媛媛. 语音情感识别中面向小数据集的CGRU方法. 计算机技术与发展. 2020(12): 77-82 . 百度学术112. 胡龙辉，王朝立，孙占全，杨爱俊. 基于WGAN的图像识别方法. 控制工程. 2020(12): 2168-2175 . 百度学术113. 盖杉，鲍中运. 基于深度学习的高噪声图像去噪算法. 自动化学报. 2020(12): 2672-2680 . 本站查看114. 韩辉，徐赫，杨森林，程德权. 基于生成对抗网络的轴承不平衡数据研究. 一重技术. 2020(05): 40-46 . 百度学术115. 王庆飞，姜燕，鲍娟. 基于条件生成对抗网络的手势图像背景去除方法. 计算机应用研究. 2020(S2): 401-403 . 百度学术116. 肖白，黄钰茹，姜卓，施永刚，焦明曦，王徭. 数据匮乏场景下采用生成对抗网络的空间负荷预测方法. 中国电机工程学报. 2020(24): 7990-8001 . 百度学术117. 唐骞. 基于对抗学习的图像修复. 计算机产品与流通. 2019(01): 210 . 百度学术118. 王守相，陈海文，潘志新，王建明. 采用改进生成式对抗网络的电力系统量测缺失数据重建方法. 中国电机工程学报. 2019(01): 56-64+320 . 百度学术119. 韦连春. 基于深度网络ACGAN的图像识别研究. 电脑迷. 2019(01): 123 . 百度学术120. 沈杰，瞿遂春，任福继，邱爱兵，徐杨. 基于SGAN的中文问答生成研究. 计算机应用与软件. 2019(02): 194-199 . 百度学术121. 谢江荣，李范鸣，卫红，李冰. 基于生成对抗式神经网络的红外目标仿真方法. 光学学报. 2019(03): 150-156 . 百度学术122. 王杨，张鑫，许闪闪，童珺仪，张卫东. 基于维纳滤波器和生成对抗网络的动态模糊图像处理方法. 计算机系统应用. 2019(04): 145-150 . 百度学术123. 吴海丽. 基于卷积神经网络的图像大数据识别. 山西大同大学学报(自然科学版). 2019(02): 23-25+37 . 百度学术124. 郑远攀，李广阳，李晔. 深度学习在图像识别中的应用研究综述. 计算机工程与应用. 2019(12): 20-36 . 百度学术125. 姜斌，赵梓良，黄灏，钟云鹏，赵永健，曲美霞. 基于反贝叶斯学习的WDMS光谱自动识别研究. 光谱学与光谱分析. 2019(06): 1829-1833 . 百度学术126. 王旺，徐俊武. 基于GAN的图像超分辨率方法研究. 软件导刊. 2019(06): 181-183+187 . 百度学术127. 李策，贾盛泽，曲延云. 一种自然场景图像的目标材质视觉特征映射算法. 自动化学报. 2019(06): 1198-1206 . 本站查看128. 贾少鹏，高红菊，杭潇. 基于深度学习的农作物病虫害图像识别技术研究进展. 农业机械学报. 2019(S1): 313-317 . 百度学术129. 贾俊杰，李捷. 基于半监督生成对抗网络的病虫害图像识别算法. 武汉轻工大学学报. 2019(04): 45-52 . 百度学术130. 刘坤，王典，荣梦学. 基于半监督生成对抗网络X光图像分类算法. 光学学报. 2019(08): 117-125 . 百度学术131. 曾琦，向德华，李宁，肖红光. 基于半监督深度生成对抗网络的图像识别方法. 测控技术. 2019(08): 37-42 . 百度学术132. 杜翠凤，温云龙，李建中. 基于深度卷积对抗神经网络的多状态自适应人脸识别方法. 移动通信. 2019(09): 75-78+85 . 百度学术133. 周林勇，谢晓尧，刘志杰，谭宏卫，游善平. 基于ACGAN的图像识别算法. 计算机工程. 2019(10): 246-252+259 . 百度学术134. 顾杨，陈昭炯，陈灿，叶东毅. 基于CGAN的中国山水画布局可调的仿真生成方法. 模式识别与人工智能. 2019(09): 844-854 . 百度学术135. 余鹰，王乐为，张应龙. 基于特征提取偏好与背景色相关性的数据增强算法. 计算机应用. 2019(11): 3172-3177 . 百度学术136. 欧华杰. 基于机器学习反馈的黑暗环境车辆路况自动化识别方法. 环境技术. 2019(05): 172-176 . 百度学术137. 余传明，王峰，胡莎莎，安璐. 基于生成对抗网络的跨语言文本情感分析. 情报理论与实践. 2019(11): 135-141 . 百度学术138. 苏赋，吕沁，罗仁泽. 基于深度学习的图像分类研究综述. 电信科学. 2019(11): 58-74 . 百度学术139. 金侠挺，王耀南，张辉，刘理，钟杭，贺振东. 基于贝叶斯CNN和注意力网络的钢轨表面缺陷检测系统. 自动化学报. 2019(12): 2312-2327 . 本站查看140. 朱克凡，王杰贵，吴世俊. 基于GAN的半监督低分辨雷达目标识别算法. 探测与控制学报. 2019(06): 57-63 . 百度学术141. 马春光，郭瑶瑶，武朋，刘海波. 生成式对抗网络图像增强研究综述. 信息网络安全. 2019(05): 10-21 . 百度学术142. 易珂. 基于深度网络ACGAN的图像识别. 电子技术与软件工程. 2018(18): 60-61 . 百度学术其他类型引用(200)
-
下载:
计量
- 文章访问数: 5098
- HTML全文浏览量: 1799
- PDF下载量: 2297
- 被引次数: 342
