排序方式: 共有2条查询结果,搜索用时 171 毫秒
1
1.
针对基于辅助分类器生成对抗网络(ACGAN)的图像分类算法在训练过程中稳定性低且分类效果差的问题,提出一种改进的图像识别算法CP-ACGAN。对于网络结构,在判别网络的输出层取消样本的真假判别,只输出样本标签的后验估计并引入池化层。对于损失函数,除真实样本的交叉熵损失外,在判别网络中增加生成样本的条件控制标签及后验估计间的交叉熵损失。在此基础上,利用真假样本的交叉熵损失及属性重构生成器和判别器的损失函数。在MNSIT、CIFAR10、CIFAR100数据集上的实验结果表明,与ACGAN算法、CNN算法相比,该算法具有较好的分类效果与稳定性,且分类准确率分别高达99.62%、79.07%、48.03%。 相似文献
2.
生成高质量的样本一直是生成式对抗网络(Generative Adversarial Networks,GANs)领域的主要挑战之一.鉴于此,本文利用条件熵构建一种距离,并将此直接惩罚于GANs生成器目标函数,在尽可能地保持熵不变的条下,迫使生成分布逼近目标分布,从而大幅地提高网络生成样本的质量.除此之外,本文还通过优化GANs的网络结构以及改变两个网络的初始化策略,来进一步提高GANs的训练效率.在多个数据集上的实验结果显示,本文所提出的算法显著提高了GANs生成样本的质量;尤其在CIFAR10,STL10和CelebA数据集上,将最佳的FID值从20.70,16.15,4.65分别降低到14.02,12.83,3.22. 相似文献
1