一.论文链接
二.论文概要
- 提出了基于卷积拓扑网络的DCAGN,并且分析验证了卷积GAN的一些限制
- 将训练好的解码器用于分类,能达到挺好的效果
- 可视化GAN的一些层
三.论文细节
1) CNN的三个演进
- generator中使用反卷积来上采样,discriminator中使用strided卷积来替代池化层,从而让网络自己去学习空间采样
- global averaging pooling来替代全连接层,作者发现这一操作提升了模型的可靠性,但是会降低模型的收敛速度。
- BN,加速收敛以及缓解梯度弥散。在GAN中直接应用的话会导致样本震荡以及模型不稳定,作者不在generator的输出层以及discriminator的输入层加BN来防止这个问题。
2) 网络结构
- generator中,relu为激活函数,除了输出层是用的sigmoid函数。
- 使用bounded activation的帮助会更大一点,学的更快,能覆盖更多的训练分布中的颜色空间。
- 在discriminator中,作者使用leaky relu作为激活函数