基于对抗网络的MNIST数字图像识别及其性能分析开题报告

全文总字数：1994字

1. 研究目的与意义

生成对抗网络gan（generative adversarial networks）目前已经成为人工智能学界一个热门的研究方向。

gan的基本思想源自博弈论的二人零和博弈，由一个生成器和一个判别器构成，通过对抗学习的方式来训练。

目的是估测数据样本的潜在分布并形成新的数据样本，在图像和视觉计算、语音和语言处理、信息安全、棋类比赛等领域，gan正在被广泛研究，具有巨大的应用前景。

2. 国内外研究现状分析

2014年还在蒙特利尔读博士的ian goodfellow引入深度学习领域，2016年，gan热潮席卷ai领域顶级会议，从iclr到nips，大量高质量论文被发表和探讨。

yann lecun曾评价gan是20年来机器学习领域最酷的想法。

来自 twitter 公司的ledig等提出利用 gan 来将一个低清模糊图像变换为具有丰富细 节的高清图像。

3. 研究的基本内容与计划

主要内容：1）下载MNIST图像库；2）读取显示真实图像；3）生成伪图像；4）对抗训练；5）对真实图像进行分类。

研究计划：1.17-2.20了解GAN概念及其算法，了解MINST的相关知识；2.20-3.15学习Python语言,在anaconda环境下安装tensorflow，导入Minst图像库，参照网上算法；3.15-4.15改进出自己的算法，实现读取显示真实图像、生成伪图像、进行对抗训练、对真实图像进行分类；4.15-5.15 跟着导师开始深入研究，针对需要实现的功能一步一步的进行攻克，选择最佳的算法，争取的功能实现能够最佳化，不断的实验，分析实验数据，为论文打下夯实的基础；5.15-结束：撰写论文、准备答辩

4. 研究创新点

根据实际的结果，它们看上去可以比其它模型产生了更好的样本（图像更锐利、清晰）。

生成对抗式网络框架能训练任何一种生成器网络（理论上-实践中，用 reinforce 来训练带有离散输出的生成网络非常困难）。

大部分其他的框架需要该生成器网络有一些特定的函数形式，比如输出层是高斯的。