基于半监督深度生成对抗网络的图像识别方法.pdfVIP

测控技术

模式识别与人工智能2019年第38卷第8期・37・

基于半监督深度生成对抗网络的图像识别方法

曾琦1,向德华2，李宁2，肖红光1

(1.长沙理工大学计算机与通信工程学院，湖南长沙410114；.湖南省计量检测研究院，湖南长沙410014)

摘要：基于生成对抗网络的图像识别方法拥有很高的识别率，但训练时需要大量有标签样本，在有标签

样本较少的情况时识别效果不佳。针对，纟；卷积生成对抗网络生成对抗网络

的立生成对抗网络。根据有标签样本和无标签样本分布，模型生成拟分布的

样本训练分类器，训练样本识别率。将模行图像识别实验，结

果表明，该方法仅用少量有标签样本即可实现准确的图像识别。

关键词：生成对抗网络;；；深度卷积网络；图像识别

中图分类号:TP391文献标识码：A文章编号：1000-8829(2019)08-0037-06

doi：10.19708/j.ckjs.2019.08.008

ImageRecognitionBasedonSemiSupervisedDeepConvolutionalGenerative

AdversarialNetworks

ZENGQi1,XIANGDe-hua,LINing,XIAOHong-guang1

(1.SchoolofComputerCommunicationEngineering,ChangshaUniversityofScienceTechnology,Changsha410114,China;

2.HunanInstituteofMetrologyandTest,Changsha410014,China)

Abstract：TheimagerecognitionmethodbasedonGAN(generativeadversarialnetworks)hasahighrecogni­

tionrate,butalargenumberoflabeledsamplesareneededfortraining.Therefore,whenthenumberoflabeled

samplesissmall,theperformanceofthismethodispoor.Inordertosolvethisproblem,aSS-DCGAN(semisu­

perviseddeepconvolutionalgenerativeadversarialnetworks)isestablished,whichcombinesthecharacteristics

ofDCGAN(deepconvolutionalgenerativeadversarialnetworks)andSSGAN(semisupervisedgenerativeadver­

sarialnetworks).Accordingtothedistributionoflabeledsamplesandunlabeledsamples,themodelgenerates

samplesthatfittherealdatadistributionandtrainstheclassifie