Обучение представлений без учителя с помощью глубоких сверточных генеративных состязательных сетей

В последние годы обучение с учителем с использованием сверточных сетей (CNN) получило широкое распространение в приложениях компьютерного зрения. Для сравнения, обучение без учителя с CNN привлекало меньше внимания. В этой работе мы стремимся помочь сократить разрыв между успехом CNN в задачах обучения с учителем и в задачах обучения без учителя. Мы представляем класс CNN, называемых глубокими сверточными генеративными состязательными сетями (DCGAN), обладающий определёнными архитектурными ограничениями, и демонстрируем, что они являются сильным кандидатом для обучения без учителя. Обучая модели на различных наборах изображений, мы приводим убедительные доказательства того, что наша глубокая сверточная состязательная пара обучается иерархии представлений от частей объектов до сцен как в генераторе, так и в дискриминаторе. Дополнительно мы используем полученные признаки для новых задач, демонстрируя их применимость в качестве общих представлений изображений.