科研之友
微信
新浪微博
Facebook
分享链接
摘要
生成对抗网络在图像生成方面具有广泛应用。但基于无监督方式与有监督方式的网络生成样本仍有较大差距。为解决生成对抗网络在无监督环境中生成样本多样性差、质量较低以及模型训练时间过长等问题，提出了具有选择性集成学习思想的生成对抗网络模型。具体地将生成对抗网络中的判别网络采用集成判别系统的形式，有效的减少了由单判别器判别性能不佳导致判别误差的情况；同时考虑到若集成判别网络均采用统一网络设置，则在模型训练中基判别网络将趋近于一种表现形式，为鼓励判别网络判别结果多样且避免网络陷入雷同，设置拥有不同网络结构的判别网络，并在集成判别网络中引入具有动态调整基判别网络投票权重的多数投票策略，对集成判别网络的判别结果进行投票，实验证明这有效地促进了模型的收敛且较大的减少了实验误差。最后将提出的模型与同方向的模型在不同数据集下使用不同评价指标进行评价，结果表明提出的模型无论是在生成样本多样性、生成样本质量还是在模型收敛速度上均明显优于几种竞争模型。
- 单位
