基于生成对抗网络的手写字体生成开题报告
2020-02-18 18:26:42
1. 研究目的与意义（文献综述）
1.1 研究目的及意义
生成对抗网络（generative adversarialnetwork，gan）是由谷歌公司在2014年提出的一个网络模型，主要灵感来自于二人博弈中的零和博弈，是近年来复杂分布上无监督学习最具前景的方法之一。模型通过框架中两个模块：生成模型和判别模型的互相博弈学习产生相当好的输出。
mnist（mixed national institute of standards andtechnology）是一个入门级的计算机视觉数据集，数据集中都是美国中学生手写的数字。它的训练集包含6万张图片，测试集包含1万张图片，并且数字已经进行过预处理和格式化，做了大小调整并居中，图片尺寸也固定为28*28。这个数据集很小，但训练速度很快，而且收敛效果也很好，非常适合作为深度学习实战的例子去学习。
2. 研究的基本内容与方案
本文基于一种深度学习模型生成对抗网络，利用配置好的anaconda与tensorflow环境对该生成对抗模型建模，完成手写字体生成。生成对抗网络包含一个生成器和判别器。生成器以高斯噪声作为输入，通过学习真实样本的特征，生成与真实样本高度相似的新的数据样本。判别器的输入为真实样本和生成器生成的样本，用来判断输入数据是真实数据还是生成器生成的数据，判别器的实质是简单的二分类器。我们需要通过单独交替训练的方式来优化生成器和判别器。首先固定生成器参数，将真实数据和生成数据送入判别器，计算得到判别器的损失函数，再通过神经网络中的梯度反传更新判别器参数；然后固定判别器参数，生成器生成数据样本送入判别器，判别器的输出和1之间组成了生成器的损失函数，再通过神经网络中的梯度反传更新生成器参数。通过一定次数这样的单独交替训练，生成器和判别器能够达到或者逼近纳什均衡。在纳什均衡状态下，判别器无法判断输入数据是真实数据还是生成数据，生成器生成的数据很好地模仿了真实数据，达到了以假乱真的目的。
3. 研究计划与安排
（1）第1－4周：查阅相关文献资料，明确研究内容，了解研究所需理论基础。确定方案，完成开题报告。
（2）第5－6周：熟悉掌握基本理论，完成英文资料的翻译，熟悉相关工具软件的使用。
（3）第7－9周：完成anaconda环境以及tensorflow环境的搭建。
4. 参考文献（12篇以上）
| [1] 李嘉璇.TensorFlow技术解析与实战.人民邮电出版社，2017.6 [2] 王启明，罗从良.Python 3.6 零基础入门与实战.清华大学出版社，2018 [3] 秦剑.基于生成对抗网络的信号重构.学位论文.2018 [4] 侯学东.基于生成对抗网络的图像翻译.学位论文.2018 [5] 张泽华.基于深度生成对抗网络的手写签名鉴别方法与应用研究.学位论文.2018 [6] 孙博.基于生成对抗网络的文本自动生成方法研究.学位论文.2017 [7] GoodfellowI. NIPS 2016 Tutorial: Generative Adversarial Networks[J]. 2016. [8] Arjovsky M, Bottou L. Towards Principled Methods forTraining Generative Adversarial Networks[J]. 2017, 1050. [9] Ulyanov D , Vedaldi A , Lempitsky V . InstanceNormalization: The Missing Ingredient for Fast Stylization[J]. 2016. [10] BalujaS. Learning Typographic Style[J]. 2016. [11] Azadi S , Fisher M , Kim V , et al. Multi-Content GAN forFew-Shot Font Style Transfer[J]. 2017. [12] Dong C , Loy C C , He K , et al. Learning a DeepConvolutional Network for Image Super-Resolution[C]// European Conference onComputer Vision. Springer, Cham, 2014. [13] Liu M Y, Tuzel O . Coupled Generative Adversarial Networks[J]. 2016. [14] Salimans T , Goodfellow I , Zaremba W , et al. ImprovedTechniques for Training GANs[J]. 2016. [15] Li J , Monroe W , Shi T , et al. Adversarial Learning forNeural Dialogue Generation[J]. 2017. [16] Salakhutdinov, Ruslan. Learning Deep GenerativeModels[J]. Annual Review of Statistics and Its Application, 2015,2(1):361-385. [17] Denton E , Chintala S , Szlam A , et al. Deep GenerativeImage Models using a Laplacian Pyramid of Adversarial Networks[J]. 2015. [18] Rajeswar S , Subramanian S , Dutil F , et al. AdversarialGeneration of Natural Language[J]. 2017. [19] Yu L , Zhang W , Wang J , et al. SeqGAN: SequenceGenerative Adversarial Nets with Policy Gradient[J]. 2016. [20] Mirza M , Osindero S . Conditional Generative AdversarialNets[J]. Computer Science, 2014:2672-2680. [21] Mao X ,Li Q , Xie H , et al. Least Squares Generative Adversarial Networks[J]. 2016. [22] Odena A , Olah C , Shlens J . Conditional Image SynthesisWith Auxiliary Classifier GANs[J]. 2016. |
