论文阅读 (33): Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Net

• 1 引入
• 2 方法和模型架构

  论文题目：Unsupervised representation learning with deep convolutional generative adversarial networks
  Torch地址：https://github.com/pytorch/examples/tree/master/dcgan
  摘要：近年来，基于卷积神经网络 (CNN) 的监督学习广泛应用于计算机视觉领域。然，无监督CNN却鲜有关注。本文希冀在无监督学习和有监督学习之间建立CNN桥梁，并引入深度卷积生成对抗 (deep convolutional generative adversarial networks)类的CNN网络 (DCGANs)，其包含某些架构限制 (certain architectural constraints)，且被证明是无监督学习的种子选手。实验在多类数据集上进行，结果表明我们的生成器 (generator)和鉴别器 (discriminator) 能够学习到从对象部分至场景的表示层次结构 (a hierarchy of representations)。此外，我们将学习到的特征用于新任务，以证明它们作为一般图像表示的适用性。
  Bib格式：

@misc{Radford:2016:unsupervised,
	title		=	{Unsupervised representation learning with deep convolutional generative adversarial networks}, 
	author		=	{Alec Radford and Luke Metz and Soumith Chintala},
	year		=	{2016},
}

  本方法的核心是采用并修改三个最近展示的、对CNN架构的更改：
  1）第一个是全卷积网络(all convolutional net)，其使用步幅卷积 (strided convolutions) 来代替确定性空间池池化函数 (deterministic spatial pooling functions) (如maxpooling)，允许网络学习自己的空间下采样 (spatial upsampling) 和鉴别器 (discriminator)。
  2）第二个是倾向于在最顶层的卷积后面消除全连接层。一个有力的例子是全局平均池化 (global average pooling)，其被用于最先进的图像分类模型中。