生成对抗网络集成
计算机视觉与模式识别
2016-12-06 v1
摘要
集成是改进判别式 CNN 结果的一种流行方法。将多个从不同初始化开始训练的网络组合起来，可显著改善结果。在本文中，我们研究 GAN 集成的使用。GAN 的特定性质为构建集成开辟了多种新途径。第一种方法基于以下事实：在用于优化 GAN 目标的极大极小博弈中，即使在网络可被视为最优之后，生成器网络仍会不断变化。因此，可以基于相同的网络初始化构建 GAN 集成，仅需选取具有不同迭代次数的模型。这些所谓的自集成比传统集成的训练速度快得多。第二种方法称为级联 GAN，将第一 GAN 建模较差的部分训练数据重定向至另一 GAN。在 CIFAR10 数据集上的实验中，我们表明 GAN 集成能够获得更好地建模数据分布的模型概率分布。此外，我们表明这些改进的结果可以在极少的额外计算成本下获得。
引用
@article{arxiv.1612.00991,
title = {Ensembles of Generative Adversarial Networks},
author = {Yaxing Wang and Lichao Zhang and Joost van de Weijer},
journal= {arXiv preprint arXiv:1612.00991},
year = {2016}
}
备注
accepted NIPS 2016 Workshop on Adversarial Training