Eine neue Methode der Bilderkennung, die auf Deep Learning basiert, erzeugt adversariale Netzwerke und integriert traditionelle Algorithmen

Dieses Papier diskutiert eine innovative Methode zur Bilderkennung, die die fortschrittliche Merkmalslernenfähigkeit generativer adversarialer Netzwerke (GAN) mit der Robustheit traditioneller Bilderkennungsalgorithmen kombiniert. Basierend auf dem Training mit kleinen Stichproben kann GAN hochqualitative Bildmuster generieren, um den Trainingssatz zu erweitern. Daher können durch das Entwerfen und Trainieren eines generativen adversarialen Netzwerks die echten Bilddaten und deren Labels in den Trainingssatz integriert werden. Die von GAN erzeugten Bilder, zusammen mit den entsprechenden Labels, werden in SVM zur Schulung eingegeben, und geeignete Kernelfunktionen und Parameter werden ausgewählt, um das SVM-Modell zu optimieren und die Klassifikationsleistung zu maximieren. GAN ist gut in der Datengenerierung und im Merkmalslernen, während SVM gut bei Problemen mit klaren Klassifikationsgrenzen ist, und dieses Modell, das beide Methoden kombiniert, wird in der Bilderkennung verwendet.