激活最大化生成对抗网络
机器学习
2018-11-19 v9 人工智能
计算机视觉与模式识别
机器学习
摘要
类别标签已被经验证明有助于提升生成对抗网络（GANs）的样本质量。本文从数学上研究了当前利用类别标签信息的GAN变体的性质。通过类别感知梯度和交叉熵分解，我们揭示了类别标签及相关损失如何影响GAN的训练。基于此，我们提出激活最大化生成对抗网络（AM-GAN）作为一种先进的解决方案。我们进行了全面的实验来验证我们的分析并评估我们解决方案的有效性，其中AM-GAN在CIFAR-10上超越了其他强基线，并取得了最先进的Inception Score（8.91）。此外，我们证明，在使用Inception ImageNet分类器时，Inception Score主要追踪生成器的多样性，然而并没有可靠的证据表明它能反映真实的样本质量。因此，我们提出了一种新的度量标准，称为AM Score，以提供对样本质量更准确的估计。我们提出的模型在新度量标准下也优于基线方法。
引用
@article{arxiv.1703.02000,
title = {Activation Maximization Generative Adversarial Nets},
author = {Zhiming Zhou and Han Cai and Shu Rong and Yuxuan Song and Kan Ren and Weinan Zhang and Yong Yu and Jun Wang},
journal= {arXiv preprint arXiv:1703.02000},
year = {2018}
}
备注
Accepted as a conference paper on ICLR 2018