Learning Face Age Progression: A Pyramid Architecture of GANs

前言

       做爲IP模式識別的CNN初始模型是做爲單純判別式-模式識別存在的，並以此爲基本模型擴展到各個方向。基本功能爲圖像判別模型，此後基於Loc+CNN的檢測模型-分離式、end2end、以及MaskCNN模型，然後出現基於CNN的預測模型-AcGans。

       CNN做爲一個基本判別式模型簡化爲數學模型依然爲一個函數映射f(x)->y;  基於CNN的檢測模型數學模型爲 L(x)+f(x)->y,其中L(x)依然爲判別式，給出loc信息，二維的爲(y1,y2)點對；  基於CNN的Mask給出每一個Pixel的類別信息，數學模型能夠簡化爲 k(x).f(x)—k(x).y，其中K(x)爲一個與點位置線性相關的函數；

       到了AcGans, 例如基於年齡的預測，CNN爲其組成部分之一，而生成式爲主要目的服務，數學模型能夠簡化爲g( f0(f2)*f2(x) )—y，把一個判別式f(x)分離爲維持不變性的 f0(x)和用於分離的 f2(x)，其中f0(x)知足生成式約束不變性， f2(x)知足特徵提取-數據輸入不變性約束，以知足使用數據完成訓練生成模型所要求，以及處理輸入的特徵提取模型。

       經過訓練的模型，數據流爲f2(x)*X—>f2(X),經過特徵提取函數，生成紋理特徵； f0*f2(X)—>f0(f2(X)

      CSDN愈來愈坑爹了，不能直接使用編輯器，編輯完成以後直接消失了...幾千字的文章配了多圖就他nia的留下上面幾百字！！！