主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公English
2020-2021年专刊出版计划 微信服务介绍 最新一期:2020年第10期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
谭宏卫,王国栋,周林勇,张自力.基于一种条件熵距离惩罚的生成式对抗网络研究.软件学报,0,(0):0
基于一种条件熵距离惩罚的生成式对抗网络研究
Research on Generative Adversarial Networks Based on a Penalty of a Conditional Entropy Distance
投稿时间:2020-06-13  修订日期:2020-07-28
DOI:10.13328/j.cnki.jos.006156
中文关键词:  生成式对抗网络  条件熵距离  网络结构  样本多样性  图像生成
英文关键词:generative adversarial networks  conditional entropy distance  network structure  sample diversity  image generation
基金项目:国家自然科学基金重点项目,面向需求不确定性的智能服务架构研究(61732019)
作者单位E-mail
谭宏卫 西南大学 计算机与信息科学学院, 重庆 400715
贵州财经大学 数统学院, 贵州 贵阳 550025 
 
王国栋 西南大学 计算机与信息科学学院, 重庆 400715  
周林勇 贵州财经大学 数统学院, 贵州 贵阳 550025  
张自力 西南大学 计算机与信息科学学院, 重庆 400715
School of Information Technology, Deakin University, Locked Bag 20000, Geelong, VIC 3220, Australia 
zhangzl@swu.edu.cn 
摘要点击次数: 82
全文下载次数: 47
中文摘要:
      生成高质量的样本一直是生成式对抗网络(Generative Adversarial Networks,GANs)领域的主要挑战之一.鉴于此,本文利用条件熵构建一种距离,并将此直接惩罚于GANs生成器目标函数,在尽可能地保持熵不变的条下,迫使生成分布逼近目标分布,从而大幅地提高网络生成样本的质量.除此之外,本文还通过优化GANs的网络结构以及改变两个网络的初始化策略,来进一步提高GANs的训练效率.在多个数据集上的实验结果显示,本文所提出的算法显著提高了GANs生成样本的质量;尤其在CIFAR10,STL10和CelebA数据集上,将最佳的FID值从20.70,16.15,4.65分别降低到14.02,12.83,3.22.
英文摘要:
      Generating high-quality samples is always one of the most challenges in generative adversarial networks(GANs) field. To this end, in this study, a GANs penalty algorithm is proposed, which leverages a constructed conditional entropy distance to penalize its generator. Under the condition of keeping the entropy invariant, the algorithm makes the generated distribution as close to the target distribution as possible and greatly improves the quality of the generated samples. In addition, to improve the training efficiency of GANs, we optimize the network structure of GANs and change the initialization strategy of the two networks. The experimental results on several datasets show that the penalty algorithm significantly improves the quality of generated samples. Especially, on the CIFAR10, STL10 and CelebA datasets, the best FID value was reduced from 16.19, 14.10, 4.65 to 14.02,12.83, 3.22, respectively.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会 京ICP备05046678号-4
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利