主要是建立了CNN 和 GAN 之間的聯繫,從沒有標籤的數據中抽取有用的特徵很重要,可以作爲下游分類任務的輸入。GAN在提取圖片表徵方面有很好的效果,但是訓練不穩定,經常生成無意義的圖片。
這篇文章主要有如下幾點貢獻:
- 提出的Convolutional GANs 可以使得GAN訓練更加穩定
- 用訓練的D來用於圖片分類任務,跟其他一些無監督算法相比較中表現比較出色
- 從GANs中學到的filter並顯示特定的filter能夠識別特定的對象
- G的一些向量屬性可以控制生成的樣例的質量
模型結構方面:
在提升模型穩定性上採用瞭如下幾種方式:
1.在D 上用帶步長的卷積替換池化層,在G上用反捲積替換
2.在D 和 G 上都採用batchnorm的技術
3.在更深的結構上刪除全連接隱藏層
4.在G上採用RELU,G的輸出層採用Tanh進行激活
5.在D上採用leakyRelu
生成的臥室的圖片,在訓練5個epochs後。
將DCGAN提取特徵,然後結合下游的分類器進行分類,比對kmeans算法
在SVHN數據集上,通過DCGAN 的discriminator + L2-SVM分類器,測試誤差爲22.48%,另外,驗證了在DCGAN中CNN的結構對於模型的表現不是最關鍵的。
refer:https://arxiv.org/pdf/1511.06434.pdf UNSUPERVISED REPRESENTATION LEARNING WITH DEEP CONVOLUTIONAL
GENERATIVE ADVERSARIAL NETWORKS