针对传统深度卷积生成网络收敛速度慢、稳定性较差的问题, 本文在传统深度卷积生成对抗网络的基础上, 提出了深度卷积生成对抗网络的优化算法。首先在预处理部分, 融合了Canny算子和Prewitt算子的多个方向的卷积核来初始化输入图片参数,同时训练模块。为了减少训练时间, 将训练分为3个阶段, 每个阶段都采用不同的损失函数, 从而提升网络的收敛速度及识别效果。最后再将训练后的判别网络中的卷积神经网络用来提取图像特征。LFW和CIFAR-100的实验证明, 本文提出的算法具有很高的可行性和有效性, 比传统生成对抗网络、CNN等图像识别具有更高的识别成功率, 达到89.5%, 为生成对抗网络在计算机视觉领域的应用提供了有益的参考。
生成对抗网络 深度卷积 特征提取 计算机视觉 generate confrontation network deep convolution feature extraction computer vision
