融合K-Means的去除标签生成对抗网络
机器学习
2019-02-20 v1 机器学习
摘要
生成对抗网络（GANs）在生成逼真图像方面已取得巨大成功。尽管获取类标签在实践中昂贵且耗时，但此类模型多为条件模型。为减少对标注数据的依赖，我们提出一种无条件生成对抗模型，称为K-Means-GAN（KM-GAN），其将K-Means中更新中心的思想融入GANs。具体而言，我们通过对判别器提取的特征应用K-Means重新设计了GANs框架。利用K-Means获得的标签，我们从深度度量学习（DML）的角度提出新的目标函数。与以往工作不同，在KM-GAN中判别器被视为特征提取器而非分类器，同时K-Means的利用使判别器特征更具代表性。我们在MNIST、Fashion-10、CIFAR-10与CelebA等多种数据集上进行了实验，结果表明KM-GAN生成的样本质量可与某些条件生成对抗模型相媲美。
引用
@article{arxiv.1902.06938,
title = {Label-Removed Generative Adversarial Networks Incorporating with K-Means},
author = {Ce Wang and Zhangling Chen and Kun Shang},
journal= {arXiv preprint arXiv:1902.06938},
year = {2019}
}