读DCGAN文章
主要是建立了CNN 和 GAN 之间的联系,从没有标签的数据中抽取有用的特征很重要,可以作为下游分类任务的输入。GAN在提取图片表征方面有很好的效果,但是训练不稳定,经常生成无意义的图片。
这篇文章主要有如下几点贡献:
- 提出的Convolutional GANs 可以使得GAN训练更加稳定
- 用训练的D来用于图片分类任务,跟其他一些无监督算法相比较中表现比较出色
- 从GANs中学到的filter并显示特定的filter能够识别特定的对象
- G的一些向量属性可以控制生成的样例的质量
模型结构方面:
在提升模型稳定性上采用了如下几种方式:
1.在D 上用带步长的卷积替换池化层,在G上用反卷积替换
2.在D 和 G 上都采用batchnorm的技术
3.在更深的结构上删除全连接隐藏层
4.在G上采用RELU,G的输出层采用Tanh进行**
5.在D上采用leakyRelu
生成的卧室的图片,在训练5个epochs后。
将DCGAN提取特征,然后结合下游的分类器进行分类,比对kmeans算法
在SVHN数据集上,通过DCGAN 的discriminator + L2-SVM分类器,测试误差为22.48%,另外,验证了在DCGAN中CNN的结构对于模型的表现不是最关键的。
refer:https://arxiv.org/pdf/1511.06434.pdf UNSUPERVISED REPRESENTATION LEARNING WITH DEEP CONVOLUTIONAL
GENERATIVE ADVERSARIAL NETWORKS