UNSUPERVISED REPRESENTATION LEARNING WITH DEEP CONVOLUTIONAL GENERATIVE ADVERSARIAL NETWORKS

版权声明：来自原创，转载需注明来源 https://blog.csdn.net/Formlsl/article/details/82150765

UNSUPERVISED REPRESENTATION LEARNING WITH DEEP CONVOLUTIONAL GENERATIVE ADVERSARIAL NETWORKS

背景

前面【1】和【2】都提到这篇文章，之前也有看过，但是没有好好理一遍。今天有时间整理并且发布在博客上。

我们知道最早的GAN,并不是直接能用在深度卷积网络上。这篇paper主要在于提出一个deep convolutional generative adversarial networks(DCGANs)和一些对DCGANs相关的约束条件.当然，此时还没运用到分割【1】或者适配域【2】。

方法

文章提出三个优化GAN存在的问题或不足

第一，用strider convolutions下采样而代替pooling.个人觉得还是因为pooling向后传导不利于 GAN训练，可以看ResNet网络，越深网络越不会用pooling。

第二，移除所有全链接层。同使认为average pooling能增加网络稳定性，但是不利于收敛。下面的生成器模型图，很好的展示了这个。

第三，Batch Normalization(BN)一般的分类网络中，是有利于loss反向传播。但是在GAN加入会引起震荡和不稳定。作者认为不应该使用BN。个人认为是BN的对数据归一化造成网络训练中输入和输出数值相差不大，而一般生成图像的值域和归一化的域不在同一尺度上，从而会存在动荡。 ReLU效果没有Leaky rectified activation 效果好，个人认为主要原因还是ReLU直接丢弃非正部分，但是在网络训练过程如果没有非正部分，网络可能偏移第一象限，实际上难以需要更多的训练时间。

结果

5个epoch效果，真是难以想象！！！

引用

【1】arXiv:1802.07934v2 [cs.CV] 24 Jul 2018.Adversarial Learning for Semi-Supervised Semantic Segmentation

【2】Learning to Adapt Structured Output Space for Semantic Segmentation