摘要：提高生成样本的质量和多样性一直是生成对抗网络(generative adversarial network, GAN)领域主要挑战任务之一.为此,提出了一种双向约束生成对抗网络(bidirectional constraint generative adversarial network, BCGAN).与传统GAN变体相比,该网络在架构设计上增加了一个生成器模块,两个生成器分别从两个不同方向逼近真实样本的数据分布.然后根据BCGAN的网络架构,设计了新的损失函数,并对其进行了理论分析及证明.在BCGAN的训练过程中,一方面通过增加两个生成样本数据分布之间的距离来丰富生成样本的多样性,另一方面通过减小鉴别器对两个生成样本数据分布之间的差异来稳定训练过程,提高生成样本的质量.最后,在1个合成数据集和3个不同公开挑战数据集上进行了实验.一系列实验证明,较其他生成方法相比,所提方法对真实数据分布具有更强的拟合能力,能够有效提升生成样本的质量和多样性.此外,所提方法的训练过程更加平滑稳定.

摘要：扇区复杂度作为管制员工作负荷和动态空域配置的重要参考依据,需要事先准确地对其进行评估。本文针对有监督复杂度数据集存在的小样本问题,提出基于条件生成对抗网络的扇区复杂度评估框架。首先,构建交通流量、航空器性能和潜在冲突这3类复杂度指标,并结合主观复杂度等级得到标定样本;其次,利用条件生成对抗网络设计有标记样本生成算法,获得增广数据集;最后,分别采用逻辑回归、支持向量机和随机森林算法建立复杂度评估模型。以中南区域扇区为例,从定性和定量的视角验证生成样本的有效性,并在多种训练集配置下对比各模型评估结果。研究结果表明:条件生成对抗网络在200次迭代后逐步收敛至稳定;生成样本与真实样本的绝大多数指标在均值上的相对误差小于5%,在标准差上的相对误差大于5%;在多分类评价指标下,增广数据集对3种模型整体评估精度分别提升11.77%、11.04%和8.34%。本文提出的评估框架可以在有限数据条件下提高样本多样性,是解决扇区复杂度评估问题的一种有效方法。

摘要：大量有标签的样本数据是深度学习提取丰富特征的关键因素。然而;获得大样本需要耗费大量的人力物力;有时候甚至是难以完成的任务;尤其是在医学领域。本文以视网膜眼底病变智能检测为问题需求背景;基于原始视网膜眼底图像样本;提出了基于生成对抗网络(GAN)的视网膜图像样本增大模型;包括特征可分离编码器和特征扰动生成器;可自动生成血管图像、病灶图像和视网膜眼底图像;通过合成多个数据样本;得到生成视网膜眼底图像;为深度学习技术在该领域的应用提供大数据生成模型支持。