Redes neurais profundas exigem grandes quantidades de dados para o aprendizado supervisionado, porém, na prática, muitas vezes é difícil obter muitos dados rotulados. O aprendizado semi-supervisionado pode reduzir a dependência de redes profundas em dados rotulados. Redes generativas adversariais baseadas em aprendizado semi-supervisionado podem melhorar o desempenho da classificação, mas ainda enfrentam problemas de instabilidade no treinamento. Para melhorar ainda mais a precisão da classificação e resolver o problema da instabilidade do treinamento, este artigo propõe um método de classificação semi-supervisionado baseado no treinamento conjunto de redes generativas adversariais, que utiliza o treinamento conjunto de dois discriminadores para eliminar o erro de distribuição de um único discriminador, ao mesmo tempo que seleciona amostras de alta confiança de dados não rotulados para expandir o conjunto de dados rotulados, aumentando a precisão da classificação semi-supervisionada e a capacidade de generalização do modelo de rede. Os resultados experimentais nos conjuntos de dados CIFAR-10 e SVHN mostram que o método proposto obtém melhor precisão de classificação independentemente da quantidade de dados rotulados. Quando o número de rótulos é 2.000, a precisão na base CIFAR-10 atinge 80,36%; quando o número de rótulos é 10, a precisão da classificação melhora cerca de 5% em comparação com os métodos semi-supervisionados existentes. Em certa medida, resolve o problema de overfitting das redes GAN em condições de amostras pequenas.

Redes generativas adversariais;Aprendizado semi-supervisionado;Classificação de imagens;Aprendizado profundo