2.2对抗网络
改进CNN模型的目标之一是使CNN对图像中的遮挡物体也具有较好的识别效果。但是，具有遮挡和形变的图像数据非常罕见，即使在大规模图像数据集中，也不可能覆盖所有潜在的遮挡情况。有鉴于此，为增加包含遮挡和形变物体的样本数量并提升CNN模型的分类精度，本文增加了一个对抗空间丢弃网络 (Adversarial Spatial Droput Network, ASDN)和对抗空间形变网络(Adversarial Spatial Transform Network, ASTN)以生成遮挡物体和形变示例来增强CNN模型的训练，而不是仅依赖数据集本身或者通过筛选数据来查找获得相关的硬示例。对抗网络在结构上与改进的CNN模型共享卷积层和池化层，但对抗网络拥有自己独立的全连接层。对抗网络的目标是创建遮挡掩码生成难于识别的样本用于训练，并不与改进CNN模型的网络结构共享参数，因为它需要选择CNN模型难于识别的样本，完成的是相反的任务。