Semi-Supervised Learning with Generative Adversarial Networks

该文提出了一种半监督生成对抗网络(SGAN)的新型框架,通过扩展GAN,使其同时学习生成模型和分类器。SGAN在有限数据集上的分类性能优于无生成部分的基准分类器,并能生成高质量的样本。实验结果表明,SGAN在MNIST数据集上的表现优于传统的GAN,并且提高了数据效率。
摘要由CSDN通过智能技术生成

[目录]


论文下载地址

摘要

通过使判别器网络输出类别标签将GAN扩展成半监督的。在一个N类别的数据集上训练生成模型G和判别模型D。训练时,D预测输入数据属于N个类别中的哪一个,加入一个额外的类别对应G的输出。我们证明,相对与普通的GAn,此方法可以用来生成一个更有效的分类器并可以生成高质量的样本。
生成式网络G 和判别器网络作为对抗对象同时训练,G接收一个噪声向量作为输入,输出衣服图像(样本),D 接收图像(样本)并输出该图像是否是来自G 的预测。训练G 以最大化D 犯错的概率,训练D 以最小化自己犯错的概率。基于这些想法,运用卷积神经网络的级联,可以生成高质量的输出样本(Denton)。最近,一个single generator network产生了更好的样本(Radford )。文中作者试图解决一个半监督分类任务并同时学习一个生成式模型。例如,我们可以在MNIST数据集上学习一个生成式模型时训练一个图像分类器,我们把它叫做C 。运用生成式模型在半监督学习任务上已经不是第一次了(Kingma)。这里,我们想用GANs做些类似的事。我们不是第一个用GAN 做半监督学习的。CatGAN&#x

评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值