基于大規(guī)模數據的深度學習研究,在現實世界中,其訓練所需上千萬、上百萬數據的獲取以及標注均困難重重,耗費巨大的人力、財力,因而有效獲得大量的訓練數據是深度學習面臨的一大難題。生成對抗網絡的出現對解決樣本數據不足的研究起到極大的促進作用,但生成對抗網的訓練過程中,模型易崩潰,訓練過程不穩(wěn)定,難以收斂等問題,導致生成網絡生成圖像質量差、無法生成圖像或者生成單一。因此,為獲取大量的數據,以提升網絡泛化推廣能力避免網絡的過擬合甚為重要與迫切,本文就生成對抗網絡在圖像數據生成方面的技術進行研究,主要工作和研究成果如下:(1)針對生成對抗網絡訓練不穩(wěn)定、難收斂等問題,本文研究并分析了生成對抗網絡訓練困難的原因,提出了一種基于譜約束的生成對抗網絡,該方法引入譜范數歸一化層,將梯度限制在1-Lipschtiz條件下,減緩了判別網絡的過快收斂,提升了模型的穩(wěn)定性。(2)針對生成圖像質量不高的問題,提出了一種基于殘差結構的生成對抗網絡,該方法引入殘差結構來加深生成器模型與判別器模型的網絡深度,提升了生成器模型與判別器模型對于深層特征的獲取能力,增強了網絡的表達能力,進而提高了網絡的生成圖像質量。(3)針對生...

【文章頁數】：110 頁

【學位級別】：碩士

【部分圖文】：

圖2.6卷積操作

基于對抗式網絡的圖像數據生成技術研究12圖2.6卷積操作Figure2.6Convolutionoperation如圖2.6所示，44的綠色網格部分為被卷積圖像，33的深綠色網格部分表示卷積核，上層22藍色網格為卷積操作之后的圖像。卷積時，通過不同大小的卷積核、移動步長、圖像填充....

圖2.7反卷積操作

基于對抗式網絡的圖像數據生成技術研究12圖2.6卷積操作Figure2.6Convolutionoperation如圖2.6所示，44的綠色網格部分為被卷積圖像，33的深綠色網格部分表示卷積核，上層22藍色網格為卷積操作之后的圖像。卷積時，通過不同大小的卷積核、移動步長、圖像填充....

圖2.9深度卷積生成對抗網絡

基于對抗式網絡的圖像數據生成技術研究20積生成對抗網絡并沒有解決GAN訓練不穩(wěn)定、難以收斂的問題。圖2.9深度卷積生成對抗網絡Figure2.9Deepconvolutiongeneratingadversarialnetwork2.2.3.2瓦瑟施泰因生成對抗網絡瓦瑟施泰因生成....

圖2.12BigGAN的生成圖像

第2章生成對抗網絡相關理論與技術23~()1~()1(,,,)[||(())||][||(())||]datadatacycxpxypyLFGXY=GFxx+FGyy...(2.31)(,,,)(,,,)(,,,)GANYGANXcycL=LFDXY+LGDXY+LFGXY.......

本文編號：3894141