基于生成对抗网络的任务感知压缩感知
机器学习
2018-02-06 v1 机器学习
摘要
近年来，神经网络方法被广泛用于机器学习任务，并在计算机视觉中有诸多应用。最近，基于神经网络的无监督生成模型已成功通过低维潜空间对数据分布建模。本文中，我们利用生成对抗网络（GAN）在压缩感知问题中引入结构，以替代通常的稀疏性约束。我们提出以任务感知的方式训练 GAN， specifically 用于重构任务。我们还表明，可以在不使用（或仅使用很少）非压缩数据的情况下训练我们的模型。最后，我们展示了 GAN 的潜空间携带有判别性信息，并可被进一步正则化以生成用于一般推断任务的输入特征。我们在多种重构与分类问题上展示了我们方法的有效性。
引用
@article{arxiv.1802.01284,
title = {Task-Aware Compressed Sensing with Generative Adversarial Networks},
author = {Maya Kabkab and Pouya Samangouei and Rama Chellappa},
journal= {arXiv preprint arXiv:1802.01284},
year = {2018}
}
备注
Accepted for publication at the Thirty-Second AAAI Conference on Artificial Intelligence (AAAI-18)