典型文献
基于改进Fisher准则的深度卷积生成对抗网络算法
文献摘要：
针对当训练样本量不足或者迭代次数降低时生成图像质量急剧下降的问题,提出了一种基于改进Fisher准则的深度卷积生成对抗网络算法(FDCGAN,Deep Convolutional Generative Adversarial Network algorithm based on improved Fisher's criterion).该方法在判别模型中添加线性层,用来提取类别信息.在反向传播中采用基于Fisher的约束准则,结合标签和类别信息,在权值的迭代调整时既考虑误差的最小化,又同时让样本保持类内距离小、类间距离大,从而使权值能更加快速地逼近最优值.通过与最新不同的6个网络模型进行对比实验,FDCGAN模型在FID指标上均取得了较好的效果.此外,通过将该方法运用到目前先进模型上进行泛化测试,实验结果均取得较理想的效果.
文献关键词：
深度卷积生成对抗网络;Fisher准则;反向传播算法;FID评价指标
中图分类号：
作者姓名：
张浩;齐光磊;侯小刚;郑凯梅
作者机构：
北京邮电大学世纪学院计算机科学与技术系,北京102101;新疆大学信息科学与工程学院,新疆乌鲁木齐830046
文献出处：
引用格式：
[1]张浩;齐光磊;侯小刚;郑凯梅-.基于改进Fisher准则的深度卷积生成对抗网络算法)[J].光学精密工程,2022(24):3239-3249
A类：
FDCGAN
B类：
Fisher,深度卷积生成对抗网络,网络算法,训练样本,样本量,迭代次数,成图,图像质量,急剧下降,Deep,Convolutional,Generative,Adversarial,Network,algorithm,improved,criterion,判别模型,加线,类别信息,权值,类内距离,类间距离,逼近,最优值,FID,方法运用,较理想,反向传播算法
AB值：
0.348764
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
