GANs 生成对抗网络

[Kinpzz]

参考资料

• 简单理解与实验生成对抗网络GAN
• 生成式模型 & 生成对抗网络——资料梳理（专访资料 + 论文分类）(关注DCGAN内容 deep convolution GAN)

[Kinpzz]

TODO

• 反卷积相关论文
• Image Segmentation 图像分割相关论文知识
• FCN 全卷积神经网络

[Kinpzz]

FCN与CNN的区别

FCN的最后几层不是全连接层，而CNN是全连接层。这些全连接层都是一维的信息，丢失了二维的信息。 CNN是图像到结果的网络，从二维信息到一维信息，一般输出一个图片的结果。而FCN网络是从图像到图像的网络，从二维信息到二维信息，是一个像素级的网络，对应每个像素点的结果。

CNN的识别是图像级的识别，也就是从图像到结果，而FCN的识别是像素级的识别，对输入图像的每一个像素在输出上都有对应的判断标注，标明这个像素最可能是属于一个什么物体/类别。

上采样和下采用

CNN从高维度到低维度，卷积+池化的过程就是下采用。FCN从低维度到高维度，反卷积的过程就是上采样。

感受域

这里就涉及到一个感受域（receptive field）的概念。较浅的卷积层（靠前的）的感受域比较小，学习感知细节部分的能力强，较深的隐藏层(靠后的)，感受域相对较大，适合学习较为整体的，相对更宏观一些的特征。 所以在做反卷积的时候，会考虑浅层的卷积信息，辅助叠加得到更好的分割结果。

概念

• 条件随机场
• Dilated Convolutions