刘恋秋

(重庆财经职业学院，重庆 402160)

1 引 言

生成对抗网络(GAN)是近年来最受关注的无监督式神经网络之一，该模型功能强大且应用场景广泛，最常见的应用是图像生成。在GAN的框架中[1]，结果的生成是通过对抗过程不断进化，在GAN中同时有两个模型训练：捕获数据分布的生成模型G以及估计数据分布的判别模型D。生成器G的训练目标是骗过判别器D，换言之最大化D犯错误的概率；D的目标则是最大化自己的正确率。该框架本质上是一个博弈过程，最终收敛于纳什均衡。在空间上，对于生成器G和判别器D，如果使用零和博弈的loss函数，当D训练完美达到1/2时，D就无法再分辨出真实数据和生成数据，也就无法再给G提供梯度。

为了进一步提升GAN的稳定性和识别效率，有很多学者都提出了自己的优化方案，提出了虚拟批量标准化的算法，利用批量训练数据的方式显著改善网络性能。Radford提出了深度卷积生成对抗网络(DCGAN)的算法[2]，该算法将GAN的概念扩展到卷积神经网络中，可以生成更高质量的图片。在此基础上，Sailimans等在近红外光谱(NIR)图像的场景下提出了着色 DCGAN模型[3]，该方案的核心是针对NIR图像将其划分为RGB 3个通道，再利用DCGAN的模型分别进行训练，进一步提升了识别的准确率。但是针对大部分的图像处理而言，基于深度卷积生成对抗网络的图形识别算法仍存在收敛速度慢、训练过程不够稳定的缺点。本文提出了融合加权Canny算子和Prewitt算子的深度卷积生成对抗网络算法[4]，该加权算子对多个方向进行卷积，从而初始化输入图片参数，有效减少了噪声的干扰。……