購物車(0)
生成對抗網絡GAN綜述
梁俊杰; 韋艦晶; 蔣正鋒 湖北大學計算機與信息工程學院; 武漢430062; 廣西民族師范學院數學與計算機科學學院; 廣西崇左532200
關鍵詞：機器學習 無監督學習 梯度消失 模式崩潰
摘要：生成對抗網絡(GAN)作為一種新的無監督學習算法框架得到越來越多研究者的青睞,已然成為當下的一個研究熱點。GAN受啟發于博弈論中的二人零和博弈理論,其獨特的對抗訓練思想能生成高質量的樣本,具有比傳統機器學習算法更加強大的特征學習和特征表達能力。目前GAN在計算機視覺領域尤其是在樣本生成領域取得顯著成功,每年有大量GAN相關研究的論文產出。針對GAN這一熱點模型,首先介紹了GAN的研究現狀;接著介紹了GAN的理論、框架,詳細分析了GAN在訓練過程中存在梯度消失和模式崩潰的原因;然后討論了一些典型的GAN的改進模型,總結了它們理論的改進之處、優點、局限性、應用場景以及實現成本,同時還將GAN與VAE、RBM模型進行比較,總結出GAN的優勢和劣勢;最后展示了GAN在數據生成、圖像超分辨率、圖像風格轉換等方面的應用成果,并探討了GAN目前面臨的挑戰以及未來的研究方向。
計算機科學與探索雜志要求:
{1}正文：論文篇幅（包括摘要、圖、表、參考文獻）。應包括研究背景、方法、結果、結論或討論等幾部分內容。
{2}作者應保證稿件內容的穩定性。稿件評審期間，除評審意見對稿件提出修改要求外，不接受作者自行對稿件進行的修改。
{3}來稿一律文責自負，依照《著作權法》，本刊可對來稿做文字修改、刪減，凡有涉及原意的修改則提請作者考慮。
{4}題目簡潔明了，字數一般不超過20字。
{5}每篇文章都需要有投稿作者和通訊作者，可以由同一人擔任。如果是學生，通訊作者應該是指導教師。
注：因版權方要求，不能公開全文，如需全文，請咨詢雜志社
