论文部分内容阅读
生成对抗网络是一类无监督深度学习模型。然而,在无条件的生成模型中,无法控制正在生成的数据的模式,生成对抗网络很难训练,容易受到模态崩溃的影响,主要原因是控制所生成样本图像的多样性非常困难。针对收敛速度缓慢,提出指导学习的生成对抗网络模型(G-GAN),通过调整模型附加条件信息来指导数据生成带有类别标签的样本,有效解决生成样本的分类问题。此外,利用生成式对抗网络能够有效提取特征的能力,来训练判别模型,作为图像识别预训练的方法。将G-GAN生成的图像作为数字标签加入数据集,达到数据增强的目的。