南 京 理 工 大 学
设计题目：基于产生式对抗神经网络的人脸年龄演变方法
摘要
生成式对抗网络 GAN (Generative adversarial networks) 目前已经成为人工智能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生成新的数据样本。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, GANs正在被广泛研究,具有巨大的应用前景[1]。
正文
年龄演变，一个在计算机视觉领域很有趣的研究课题，在过去的数十年间，越来越多的人加入到与人类年龄相关的研究队伍中，例如年龄演变，年龄识别，面部老化数据库创建，面部老化评估以及龄变面部分析等研究，它们都吸引了广泛的注意力。被用来研究年龄演变的模型主要分为两种类型：基于原型和基于模型，基于模型的方法主要运用了相同规模有着真实年龄（在变化）的面部镜像的有关面部形状/肌理的参数。由于基于模型的方法还不能做到研究透彻有关老化过程丰富的肌理变化，与实际十分接近的结果的获取就较为困难了。基于原型的方法和基于模型的方法的主要差别是，前者的运用主要基于大众的数据，而不重视数据个人化，这会导致个人数据与真实结果的逐步偏离；而后者运用了参数模型去模仿参与者个人的肌肉、皮肤以及头盖骨的老化机制，而每个模型之间都有个体差别[2]。
近来，IAAP，这个最具代表性的基于模型的方法，在学术界和工业界吸引了许多注意力。IAAP是世界上第一个关于年龄演变的全自动化方法，从以婴儿为模型到以成年人为模型，它都成功地实现了目标。与之前的基于原型的方法相比，IAAP重新创建了模型为源年龄组和目标年龄组提供原型。原型之间皮肤肌理的不同通过光流的运用转换成了镜像的区别（光流是已知的像素到像素的转换方法）。当解决复杂的老化模式变化时，光流的能动性被限制了，这就是为什么IAAP在一些情况中不能得出更接近的结果的原因[3-5]。在此基础上，14年Goodfellow提出了Generative adversarial nets即生成式对抗网络，它要解决的问题是如何从训练样本中学习出新样本，训练样本是图片就生成新图片，训练样本是文章就输出新文章等等[6-7]。
要理解产生式对抗网络，首先要理解对抗网络，对抗网络分为生成模型和判别模型。判别模型比较好理解，就像分类一样，有一个判别界限，通过这个判别界限去区分样本，从概率角度分析就是获得样本x属于类别y的概率，是一个条件概率P（y|x）。而生成模型是需要在整个条件内去产生数据的分布，就像高斯分布一样，他需要去拟合整个分布，从概率角度分析就是样本x在整个分布中的产生的概率，即联合概率P（xy）。GAN的优化是一个极小极大博弈问题，最终的目的是generator的输出给discriminator时很难判断是真实的还是伪造的，即极大化D的判断能力，极小化将G的输出判断为伪造的概率[8-9]，公式如下：
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。
