研究背景及意义
- 课题背景
如果我们在神经网络中显示很多人和汽车的图片，并告诉网络哪一个是汽车，哪一个是一个人的图片，那么最终该网络将学会区分人和汽车。因此，当您提供汽车或人的新照片时，它将告诉您这是人还是汽车，但是，如果您告诉该网络生成一个新的看不见的人或汽车的图片，那么它将无法做到这一点 ，通常，我们需要生成具有相同输入分布的新样本，为此，我们需要生成模型。
如果我们将三种类型的数据输入到生成型神经网络，则网络就会学习这三种不同类型的模型。当我们尝试从经过训练的生成型神经网络生成样本时，它将生成类似于所有三项输入分布的平均值。但是通过查看它，我们可以说这个样本不属于任何输入数据分布。那么，如何解决这个问题。答案是随机性。因此，生成模型会增加随机性以产生难以区分的结果。假设我们要训练一个网络以正确识别0到9之间的数字。我们输入大量的数字0、1、2等图像，依此类推。当训练网络因正确的预测而获得奖励，而错误的预测网络给出反馈时，网络将相应地调整其权重，并且该过程将针对所有数字的所有图像反复进行。但是我们作为一个人并不像这样。
由此GAN应运而生，GAN由两种模型组成：一种是鉴别器，另一种是生成器。 在训练GAN时，这两个网络实际上相互竞争。这两个网络都争夺唯一的参数，那就是鉴别器错误率。生成器调整其权重以产生更高的误差，鉴别器学会设法降低误差。生成对抗网络应用广泛，近年来，在我国国民经济中，林业是集生态、经济和社会三大功能于一身的特殊行业，有着重要的战略位置。作为陆地最大的生态系统主体的是森林，是维护国土生态安全的重要屏障，是促进人与自然和谐发展的重要物质基础。林业发展的重任就是要合理地保护，培育和开发利用森林资源，充分发挥森林在促进人类社会可持续发展方面的功能与作用。这就要求我们要做好林木规划培育等措施，但由于基数庞大，凭人力无法完成所有树木样本的采集以及识别，这就需要通过GAN，运用生成对抗网络进行林木训练样本的生成，实现图像生成、图像分割、风格迁移等功能，大大节省了人力。
2.研究目的和意义
通过生成对抗网络，进一步识别森林常用花草树木。学习、分析林木训练、森林树木造景实例，培养运用林木训练的能力;了解南京地区林木栽培设施、生产过程、维护等情况。通过研究，要能基本识别南京地区主要森林树种，掌握其习性、观赏特性及种植用途。
- 国内外研究概况
随着深度学习的快速发展, 生成式模型领域也取得了显著进展.生成对抗网络(Generative adversarial network, GAN)是一种无监督的学习方法, 它是根据博弈论中的二人零和博弈理论提出的. GAN具有一个生成器网络和一个判别器网络, 并通过对抗学习进行训练。近年来, GAN成为一个炙手可热的研究方向. GAN不仅在图像领域取得了不错的成绩, 还在自然语言处理(Natural language processing, NLP)以及其他领域崭露头角。
自2012年以来, 深度学习的快速发展使得人工智能研究得到飞速进步. 当今, 人工智能发展正处于快速上升时期, 大量研究人员将精力以及资本投入到人工智能领域. 人工智能的发展是有目共睹的, 从无人机走进人们生活, 到Goolge人工智能围棋程序AlphaGo打败人类顶级选手, 无不证明了深度学习近年来的迅速发展. 从AlphaGo发展历程可以看出, 自2016年以来, 它的目标对手早已不是人类顶级选手, 而是与之前自己的版本进行较量, 开辟属于它的全新领域. AlphaGo使用蒙特卡洛树搜索(Monte Carlo tree search), 借助估值网络(value network)与策略网络(policy network)这两种深度神经网络来评估选点和选择落点。
自从Goodfellow在2014年提出GAN之后, 尤其是近几年来, GAN类的文章及应用呈井喷式爆发. 一方面, 各种应用场景给GAN的发展提出了挑战性的问题, 促使研究者根据应用场景研究新的GAN结构、模型和训练算法去解决计算机视觉、自然语言处理和语音处理中的问题; 另一方面, 新的GAN理论和模型的提出, 也拓展了人工智能在各领域中的应用广度和深度, 这也促使我们对近期GAN在各领域应用研究进展和重要文献进行总结及分析。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
