摘要
由于特征稀疏，噪声已成为手写字符分类的一大障碍。为了解决这一问题，大多数技术在分类前会对数据进行去噪处理。本文中，我们通过训练一个一体化模型来整合这种方法，该模型即使在存在噪声的情况下也能对手写字符进行分类。为了实现分类，我们逐步训练了一个从低分辨率到高分辨率的生成对抗网络（Generative Adversarial Network, GAN）分类器。实验结果表明，通过独立学习每个分辨率下的特征，训练好的模型能够在有噪声的情况下准确地对手写字符进行分类。我们通过实验验证了该方法的有效性，分别对带有噪声的MNIST、手写孟加拉数字（Bangla Numeral）和基础字符数据集进行了分类测试。