陈小静，曹语含，张学东

（辽宁科技大学 计算机与软件工程学院，辽宁 鞍山 114051）

研究纸币识别的软件仍采用“以假鉴假”设计思想，没有实现“以真鉴假”［1］。纸币鉴伪方法主要有模板匹配、支持向量机和神经网络鉴别方法。模板匹配法费时费力，计算成本大，而且阈值的设置存在局限性［2-3］；支持向量机方法对大样本的处理以及多分类问题上存在不足［4］；神经网络鉴别可以充分学习到图像特征，能较好实现图像分类识别，但要求有足够的样本［5-7］，而且对数据集以外的假币识别存在泛化不足的缺点。

Goodfellow于2014年提出生成对抗网络（Generative adversarial network，GAN）模型［8］。近年来对GAN进行改进，不断优化图片的生成质量。监督式生成对抗网络（Conditional generative adversarial nets，CGAN）模型［9］可以根据网络的输入标签生成对应的输出，比传统生成模型效果好且具有多样性。半监督学习使用未标记以及有标记数据一起训练模型，能在少量数据情况下得到比较高的准确率。GAN模型亦可通过半监督式学习优化提供生成数据，被称为半监督式生成对抗网络（Semi-supervised generative adversarial network，SGAN）模型［10-11］，能够做到同时训练生成器与半监督式分类器，最终实现更优的半监督式分类器，成像质量更高。王德兴等［12］将深度学习引入GAN，并对其生成图片用分类器进行分类识别，图像的分类准确率好于其他无监督学习算法，证明生成图片的有效性。

GAN中判别器、分类器以及生成器的性能相互影响，存在平衡点。CGAN利用辅助的标签信息增强原始GAN，生成具有特定特征图片，且标签信息越丰富，生成效果越好。……