摘要：半監督學習通過充分利用大量無標記數據和少量有標記數據來改善學習性能,近年來已成為機器學習領域的研究熱點.半監督生成對抗網絡SGAN將生成對抗網絡擴展到半監督學習,通過在原始無標記輸入數據的基礎上加入少量有標記數據,并將判別器轉換成分類器輸出分類結果,以此來解決傳統分類問題中因有標記訓練數據太少引起的過擬合問題.但SGAN判別器上的線性卷積層提取圖像深層次特征的能力較弱,使其在半監督環境下對圖像進行分類的準確率不高,且生成的圖像質量較差.為此,提出半監督多層感知器生成對抗網絡SMPGAN.該網絡采用多層感知器卷積層代替SGAN判別器上的線性卷積層來提高抽象層次,并在生成器上使用特征匹配進一步提高圖像的分類精度.在不同數量的有標記樣本輔助下,SMPGAN的分類精度和圖像生成效果均有明顯提升.
注：因版權方要求，不能公開全文，如需全文，請咨詢雜志社
