-
题名基于条件生成式对抗网络的数据增强方法
被引量：44
- 1
-
-
作者
陈文兵
管正雄
陈允杰
-
机构
南京信息工程大学数学与统计学院
-
出处
《计算机应用》
CSCD
北大核心
2018年第11期3305-3311,共7页
-
基金
国家自然科学基金资助项目(61672291)
北极阁基金资助项目(BJG201504)~~
-
文摘
深度卷积神经网络(CNN)在大规模带有标签的数据集训练下,训练后模型能够取得高的识别率或好的分类效果,而利用较小规模数据集训练CNN模型则通常出现过拟合现象。针对这一问题,提出了一种集成高斯混合模型(GMM)及条件生成式对抗网络(CGAN)的数据增强方法并记作GMM-CGAN。首先,通过围绕核心区域随机滑动采样的方法增加数据集样本数量;其次,假定噪声随机向量服从GMM描述的分布,将它作为CGAN生成器的初始输入,图像标签作为CGAN条件,训练CGAN以及GMM模型的参数;最后,利用已训练CGAN生成符合样本真实分布的新数据集。对包含12种雾型386个样本的天气形势图基准集利用GMM-CGAN方法进行数据增强,增强后的数据集样本数多达38600个,将该数据集训练的CNN模型与仅使用仿射变换增强的数据集及CGAN方法增强的数据集训练的CNN模型相比,实验结果表明,前者的平均分类正确率相较于后两个模型分别提高了18.2%及14.1%,达到89.1%。
-
关键词
图像分类
深度卷积神经网络
高斯混合模型
有条件对抗神经网络
数据增强算法
-
Keywords
image classification
deep Convolution Neural Network(CNN)
Gaussian Mixture Model(GMM)
Conditional Generative Adversarial Net(CGAN)
data augmentation algorithm
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
