基于对抗网络的MNIST数字图像识别及其性能分析开题报告

 2021-08-08 01:28:51

全文总字数:1994字

1. 研究目的与意义

生成对抗网络gan(generative adversarial networks)目前已经成为人工智能学界一个热门的研究方向。

gan的基本思想源自博弈论的二人零和博弈,由一个生成器和一个判别器构成,通过对抗学习的方式来训练。

目的是估测数据样本的潜在分布并形成新的数据样本,在图像和视觉计算、语音和语言处理、信息安全、棋类比赛等领域,gan正在被广泛研究,具有巨大的应用前景。

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

2. 国内外研究现状分析

2014年还在蒙特利尔读博士的ian goodfellow引入深度学习领域,2016年,gan热潮席卷ai领域顶级会议,从iclr到nips,大量高质量论文被发表和探讨。

yann lecun曾评价gan是20年来机器学习领域最酷的想法。

来自 twitter 公司的ledig等提出利用 gan 来将一个低清模糊图像变换为具有丰富细 节的高清图像。

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

3. 研究的基本内容与计划

主要内容:1)下载MNIST图像库;2)读取显示真实图像;3)生成伪图像;4)对抗训练;5)对真实图像进行分类。

研究计划:1.17-2.20了解GAN概念及其算法,了解MINST的相关知识;2.20-3.15学习Python语言,在anaconda环境下安装tensorflow,导入Minst图像库,参照网上算法;3.15-4.15改进出自己的算法,实现读取显示真实图像、生成伪图像、进行对抗训练、对真实图像进行分类;4.15-5.15 跟着导师开始深入研究,针对需要实现的功能一步一步的进行攻克,选择最佳的算法,争取的功能实现能够最佳化,不断的实验,分析实验数据,为论文打下夯实的基础;5.15-结束:撰写论文、准备答辩

4. 研究创新点

根据实际的结果,它们看上去可以比其它模型产生了更好的样本(图像更锐利、清晰)。

生成对抗式网络框架能训练任何一种生成器网络(理论上-实践中,用 reinforce 来训练带有离散输出的生成网络非常困难)。

大部分其他的框架需要该生成器网络有一些特定的函数形式,比如输出层是高斯的。

剩余内容已隐藏,您需要先支付 10元 才能查看该篇文章全部内容!立即支付

课题毕业论文、开题报告、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。