针对当前深度学习中常见的样本数据不足与数据分布不平衡问题,本研究提出利用条件生成对抗网络(Conditional Generative Adversarial Networks,CGAN)进行数据增强的方法,扩充原始数据集的数量及改善其分布均衡性。本研究在设计条件生成...针对当前深度学习中常见的样本数据不足与数据分布不平衡问题,本研究提出利用条件生成对抗网络(Conditional Generative Adversarial Networks,CGAN)进行数据增强的方法,扩充原始数据集的数量及改善其分布均衡性。本研究在设计条件生成对抗网络的生成器与鉴别器时,引入标准化处理和LeakyReLU激活函数。将MNIST数据集(Mixed National Institute of Standards and Technology database,MNIST数据集)作为样本图像进行训练和样本生成实验。研究结果表明,通过引入标准化处理,可以有效地稳定数据在网络中的传播,加速模型收敛速度,并提升模型的学习效率。同时,采用LeakyReLU激活函数代替传统激活函数,能有效避免梯度消失的问题,进一步加快鉴别器损失值向0快速收敛、生成器损失值向1快速收敛的速度,显著提高生成样本的质量。展开更多
文摘针对当前深度学习中常见的样本数据不足与数据分布不平衡问题,本研究提出利用条件生成对抗网络(Conditional Generative Adversarial Networks,CGAN)进行数据增强的方法,扩充原始数据集的数量及改善其分布均衡性。本研究在设计条件生成对抗网络的生成器与鉴别器时,引入标准化处理和LeakyReLU激活函数。将MNIST数据集(Mixed National Institute of Standards and Technology database,MNIST数据集)作为样本图像进行训练和样本生成实验。研究结果表明,通过引入标准化处理,可以有效地稳定数据在网络中的传播,加速模型收敛速度,并提升模型的学习效率。同时,采用LeakyReLU激活函数代替传统激活函数,能有效避免梯度消失的问题,进一步加快鉴别器损失值向0快速收敛、生成器损失值向1快速收敛的速度,显著提高生成样本的质量。
