一种基于CD-WGAN的图像识别方法

马艳龙, 马宏斌， 王英丽

(黑龙江大学 电子工程学院, 哈尔滨 150080)

0 引 言

近年来，图像识别与分类技术在计算机视觉、模式识别、机器学习和深度学习等研究领域都是热点问题[1]。目前图像识别主要有两种方法，基于统计算法的图像识别方法和深度学习的图像识别方法。基于统计的图像识别主要有最近邻距离等方法，此方法需要对图像进行较为复杂的预处理，并且在一定程度上忽略了图像的语义信息，存在图像识别准确度较低的问题[2]。基于深度学习的图像识别主要利用卷积神经网络、循环神经网络、胶囊网络和深度置信网络提取图片的高层语义特征信息并对图像进行分类识别[3-5]。

随着图像识别技术的飞速发展，基于深度学习的图像识别方法研究越来越多。Zhong等利用动态贝叶斯网络(Dynamic Bayesian network,DBN)对高光谱遥感图像进行识别，但是DBN的参数较多，并且对图像高层次的特征提取能力较弱，在模型训练上存在一定程度的过拟合现象，造成分类精度较低[6]。Mou等改进了循环神经网络(Recurrent neural network, RNN)，能有效地对输入的序列数据进行分析，并进行识别，容易存在梯度消失或者梯度爆炸的现象[7]。Deng等提出改进的胶囊网络对高光谱成像(Hyperspectral image, HSI)进行识别，虽然网络结构较简单，但与其他深度学习方法相比准确率仍然较低[8]。卷积神经网络广泛地应用于图像识别，并具有较高的识别准确率，容易出现梯度消失的问题[9]。

2014年，Goodfellow等提出生成式对抗网络，首次研究了生成式深度学习模型[10]。生成对抗网络是一种非常优秀的生成模型，其创新之处在于将对抗博弈的思想引入其中，通过反向传播算法实现端到端的训练，极大地促进了生成模型的发展。……