声明
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。
国内刊号：11-2560/TP
国际刊号：1000-9825
发布日期:
作者：谭宏卫，王国栋，周林勇，张自力
单位：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 55002511,王国栋，西南大学 计算机与信息科学学院, 重庆 40071502,周林勇，贵州财经大学 数统学院, 贵州 贵阳 55002503,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, Australia04
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
基金：国家自然科学基金（61732019）
生成高质量的样本一直是生成式对抗网络（generative adversarial networks，简称GANs）领域的主要挑战之一.鉴于此，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，在尽可能保持熵不变的条件下，迫使生成分布逼近目标分布，从而大幅度地提高网络生成样本的质量.除此之外，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，以进一步提高GANs的训练效率.在多个数据集上的实验结果显示，所提出的算法显著提高了GANs生成样本的质量；尤其是在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.
来源：2021年第4期
《软件学报》期刊编辑部
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。