MATLAB生成对抗网络系列（11种，对抗自编码器，辅助分类生成对抗网络，条件生成对抗网络，Pix-to-Pix等）

使用生成对抗网络GAN提取原数据集特征，对抗生成新的目标域图像，已成为众多学者在数据增强技术研究中的优选方法。

相比于传统的图像数据增强方法，通过基于GAN的生成式建模技术进行数据增强的思路来源于博弈论中的二人零和博弈，由网络中包含的生成器和判别器利用对抗学习的方法来指导网络训练，在两个网络对抗过程中估计原始数据样本的分布并生成与之相似的新数据。

近期的研究在原始生成对抗网络框架的基础上又提出了多种不同的改进方案，通过设计不同的神经网络架构和损失函数等手段不断提升生成对抗网络的性能。

生成对抗网络应用在图像数据增强任务上的思想主要是其通过生成新的训练数据来扩充模型的训练数据，通过样本空间的扩充实现图像分类等任务效果的提升。

但目前基于GAN的图像数据增强技术普遍存在模型收敛不稳定、生成图像质量低等问题，如何正确引入高频信息，提升图像数据质量是破解这一系列问题的关键。

MATLAB环境配置如下：

MATLAB 2021b

Deep Learning Toolbox

Parallel Computing Toolbox (optional for GPU usage)

目录如下

Generative Adversarial Network (GAN)

Least Squares Generative Adversarial Network (LSGAN)

Deep Convolutional Generative Adversarial Network (DCGAN)

Conditional Generative Adversarial Network (CGAN)

Auxiliary Classifier Generative Adversarial Network (ACGAN)

InfoGAN

Adversarial AutoEncoder (AAE)

Pix2Pix[paper]

Wasserstein Generative Adversarial Network (WGAN)

Semi-Supervised Generative Adversarial Network (SGAN)

CycleGAN

DiscoGAN

ID:2485

详询客服 微信shujuqudong1 或shujuqudong6 或 qq68823886 或 27699885

图文详情请查看： http://matup.cn/766841823151.html