A Three Player GAN Generating Hard Samples To Improve Classication Networks

摘要

我们提出一个三层生成对抗网络来改进经典网络。除了判别器和生成器之间的博弈外，还引入了生成器和分类器之间的竞争。该生成器的目标是合成既真实又难以为分类器标记的样本。尽管我们没有对要学习的扩展类型做任何假设，但是我们发现该模型能够综合出对类化模型来说比较困难的实际示例。此外，当对这些困难的样本进行训练时，分类器变得更加健壮。该方法在一个公共的交通标志识别数据集上进行了评价。

简介

深度卷积神经网络为计算机视觉领域带来了重大进展。但是，训练模型仍然需要大量数据。随着智能视觉系统在越来越动态的环境中部署，收集必要的数据变成了一项繁琐的工作。最近基于生成对抗网络（GAN）[1-4]的生成建模工作允许有效地合成属于数据分布的新样本。GAN从两个实体之间播放的对抗性游戏中获取数据分布：生成器G合成新样本，鉴别器D尝试将实际样本与G合成的样本分开。生成器的目标是混淆D，使其无法区分真实和虚假的例子。当两名球员处于纳什均衡时，比赛结束。
GAN证明对提高分类网络的性能很有用。例如，[5]提出了一种共同优化数据增强的对抗方法和用于姿势估计的网络。生成器学习从训练数据合成增强，这些增强很难为分类网络标记。增强由旋转，缩放变换和遮挡组成。
此外，[6-9]已成功在半监督学习环境中使用GAN。在[6]中，鉴别器从未标记的数据中学习分类任务。鉴别器必须将每个样本分类为选定数量的类别。由于条件分布p（）是未知的，因此包括了ft度量的优点以确保类别和类标签之间的对应关系。 [8]通过将来自GAN的图像视为来自附加类的样本，以半监督方式训练分类器。 [9]同时训练分类器和生成模型。他们发现生成器和分类器都代表标签和图像之间的条件分布。这种观察导致了发电机和分类器之间的兼容性标准。
我