科研之友
微信
新浪微博
Facebook
分享链接
摘要
生成对抗网络(Generative Adversarial Networks,GAN)近年在计算机领域大火。它在保证生成效果的同时避免了原生成模型复杂的求解过程。但由于GAN的随机初始化输入，导致在训练模型生成与原始数据分布拟合的数据时花费大量时间成本。因此，提出一种基于奇异值分解的生成对抗网络(SVD-GAN)。通过奇异值分解对原始数据进行降维和去噪，生成对抗网络的输入，使输入数据在保留了原始数据重要特征的同时提高数据生成性能，减少训练时间成本。将SVD-GAN模型应用于图像分类，根据实验结果可知，该模型算法在优化生成网络的生成质量、提高图像分类的准确性和降低模型损耗方面效果显著。
- 单位
