文献类型：期刊文章

作　　者：唐贤伦[1] 杜一铭[1] 刘雨微[2] 李佳歆[2] 马艺玮[2]

TANG Xian-Lun;DU Yi-Ming;LIU Yu-Wei;LI Jia-Xin;MA Yi-Wei(College of Computer Science and Technology, Chongqing University of Posts and Telecommunications, Chongqing 400065;College of Automation, Chongqing University of Posts and Telecommunications, Chongqing 400065)

机构地区：[1]重庆邮电大学计算机科学与技术学院,重庆400065 [2]重庆邮电大学自动化学院,重庆400065

出　　处：《自动化学报》

基　　金：国家自然科学基金(61673079;61703068);重庆市基础科学与前沿技术研究项目(cstc2016jcyj A1919)资助~~

年　　份：2018

卷　　号：44

期　　号：5

起止页码：855-864

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD2017_2018、EI、IC、JST、MR、PUBMED、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：生成对抗网络(Generative adversarial networks,GAN)是目前热门的生成式模型.深度卷积生成对抗网络(Deep convolutional GAN,DCGAN)在传统生成对抗网络的基础上,引入卷积神经网络(Convolutional neural networks,CNN)进行无监督训练;条件生成对抗网络(Conditional GAN,CGAN)在GAN的基础上加上条件扩展为条件模型.结合深度卷积生成对抗网络和条件生成对抗网络的优点,建立条件深度卷积生成对抗网络模型(Conditional-DCGAN,C-DCGAN),利用卷积神经网络强大的特征提取能力,在此基础上加以条件辅助生成样本,将此结构再进行优化改进并用于图像识别中,实验结果表明,该方法能有效提高图像的识别准确率.

关 键 词：生成对抗网络  卷积神经网络 条件模型  特征提取 图像识别

分 类 号：TP183] TP391.41]