设计应用

基于生成对抗网络的小样本图像数据增强技术

作者：杨鹏坤，李金龙，郝润来
发布日期：2023-06-21
来源：网络安全与数据治理 6期

0    引言

视觉深度学习的成功不仅仅取决于高容量的模型，还依赖于大规模标注数据的可用性。许多优秀的模型在大规模数据集上取得了良好的性能。然而，对于视觉识别任务，由于数据的收集和标注耗费巨大，通常在没有足够样本的场景下训练模型，往往会导致模型过拟合，从而降低其泛化性能。

为了解决这些问题，数据增强是常用的缓解数据匮乏的手段之一。虽然传统的图像增强技术（如旋转和随机裁剪）的确有效果，但一些转换可能是无意义的，甚至会导致图像语义上的改变。如数字‘6’旋转180°变成了‘9’，改变了语义，这需要专家经验进行评估。最近的研究表明，使用生成对抗网络(GANs)进行数据增强具有巨大潜力。生成对抗网络是一种隐式生成模型，通过对真实样本的数据分布进行建模，可以根据已有数据集的高维特征组合生成与训练集完全不同的图像，能够为深度学习模型提供更多的图像特征，以缓解过拟合问题。Mirza等人提出的条件生成对抗网络(cGAN)可以通过控制类别生成对应类别的样本，因此可以得到带有标签的样本。



本文详细内容请下载：https://www.chinaaet.com/resource/share/2000005378




作者信息：

杨鹏坤，李金龙，郝润来

（中国科学技术大学计算机科学与技术学院，安徽合肥230026）


微信图片_20210517164139.jpg

此内容为AET网站原创，未经授权禁止转载。
生成对抗网络 数据增广 图像分类

Copyright © 2005-2024 华北计算机系统工程研究所版权所有 京ICP备10017138号-2