消失孪生 GAN：训练弱生成对抗网络如何改进半监督图像分类
计算机视觉与模式识别
2021-03-04 v1 图像与视频处理
摘要
生成对抗网络（GAN）可在半监督框架中学习从随机噪声到逼真图像的映射。这种映射能力可用于半监督图像分类，以检测无训练数据可用于监督分类的未知类图像。然而，若未知类与已知类具有相似特征，GAN 可学会泛化并生成看似两类的图像。这种泛化能力会妨碍分类性能。本工作中，我们提出消失孪生 GAN（Vanishing Twin GAN）。通过训练一个弱 GAN 并将其生成输出图像与常规 GAN 并行使用，消失孪生训练在图像相似性会损害分类任务的情况下改进了半监督图像分类。
引用
@article{arxiv.2103.02496,
title = {Vanishing Twin GAN: How training a weak Generative Adversarial Network can improve semi-supervised image classification},
author = {Saman Motamed and Farzad Khalvati},
journal= {arXiv preprint arXiv:2103.02496},
year = {2021}
}
备注
arXiv admin note: substantial text overlap with arXiv:2102.06944