双输入流深度反卷积的插值神经网络

摘要：

在实际工作中深度学习方法通常不具备大量的训练样本,因此提出了双输入流深度反卷积生成神经网络的构架,依据给定的条件产生新的目标图像,从而扩充训练样本集.该神经网络的整体架构由双输入的卷积网络和一个反卷积网络输出构成,其中双输入卷积网络接收目标物体不同视角的两张图片并提取抽象特征,而反卷积网络则利用抽象特征和设定的参数产生新的插值目标图像.在ShapeNetCore数据集上的实验结果显示,在相同数量的训练样本空间中,与未扩展数据集的卷积网络相比,双输入流深度反卷积生成神经网络的识别率提高了20％左右.结果 表明,双输入流深度反卷积生成神经网络无需输入目标物类别,可生成新参数条件下的目标图像,扩充训练样本空间,从而提高识别率,可用于少样本的目标物多角度识别.

关键词：深度学习、人工智能、生成神经网络、反卷积、双输入流

所属期刊栏目：39

分类号：TP183(自动化基础理论)

资助基金：国家自然科学基金资助项目61602427

在线出版日期：2019-09-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：2271-2275