类别分裂生成对抗网络
机器学习
2018-05-18 v2 计算机视觉与模式识别
机器学习
摘要
生成对抗网络（GANs）在提供类别标签信息时（即在条件 GAN 设置下）能够系统地生成更高质量的样本。这一现象在最近提出的 Wasserstein GAN 框架中依然存在，该框架稳定了对抗训练，并允许考虑诸如 ResNet 等高容量网络架构。本文中，我们展示了如何通过扩充可用的类别标签来增强条件 GAN。新增类别来自同一 GAN 模型所学表示空间中的聚类。所提策略在无类别信息可用时（即无监督设置下）同样可行。我们生成的样本在 CIFAR-10 和 STL-10 数据集上，无论在有监督还是无监督设置下，均达到了当前最优的 Inception 分数。
引用
@article{arxiv.1709.07359,
title = {Class-Splitting Generative Adversarial Networks},
author = {Guillermo L. Grinblat and Lucas C. Uzal and Pablo M. Granitto},
journal= {arXiv preprint arXiv:1709.07359},
year = {2018}
}
备注
Under consideration at Pattern Recognition Letters