基于条件深度卷积生成对抗网络的图像识别方法

唐贤伦 杜一铭 刘雨微 李佳歆 马艺玮

生成对抗网络(Generative adversarial network,GAN)是Goodfellow等在2014年提出的一种生成模型[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.对抗的思想源自博弈论(Game theory),博弈双方在平等的对局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.GAN目前在图像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辨率图像等[4].此外,GAN已经开始被应用到语音和语言处理[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(Convolutional neural networks,CNN)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(Conditional GAN,CGAN)与深度卷积生成对抗网络(Deep convolutional GAN,DCGAN)建立条件深度卷积生成对抗网络模型(Conditional-DCGAN,C-DCGAN),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1节介绍GAN的原理;第2节和第3节分别介绍CGAN和DCGAN;第4节结合CGAN和……