摘要：半监督学习通过充分利用大量无标记数据和少量有标记数据来改善学习性能,近年来已成为机器学习领域的研究热点.半监督生成对抗网络SGAN将生成对抗网络扩展到半监督学习,通过在原始无标记输入数据的基础上加入少量有标记数据,并将判别器转换成分类器输出分类结果,以此来解决传统分类问题中因有标记训练数据太少引起的过拟合问题.但SGAN判别器上的线性卷积层提取图像深层次特征的能力较弱,使其在半监督环境下对图像进行分类的准确率不高,且生成的图像质量较差.为此,提出半监督多层感知器生成对抗网络SMPGAN.该网络采用多层感知器卷积层代替SGAN判别器上的线性卷积层来提高抽象层次,并在生成器上使用特征匹配进一步提高图像的分类精度.在不同数量的有标记样本辅助下,SMPGAN的分类精度和图像生成效果均有明显提升.
注：因版权方要求，不能公开全文，如需全文，请咨询杂志社
