近年來,卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于圖像分類任務(wù)性能優(yōu)越,多項(xiàng)研究證明卷積神經(jīng)網(wǎng)絡(luò)在大規(guī)模帶有標(biāo)簽的數(shù)據(jù)集訓(xùn)練下,訓(xùn)練后網(wǎng)絡(luò)能夠取得高精度的識(shí)別率或分類效果。然而在某些特殊領(lǐng)域,例如濃霧天氣形勢(shì)圖基準(zhǔn)數(shù)據(jù)集,由于多方面因素制約,累積的數(shù)據(jù)集中樣本遠(yuǎn)小于一般模型常規(guī)訓(xùn)練集規(guī)模,因此導(dǎo)致訓(xùn)練后的網(wǎng)絡(luò)出現(xiàn)過擬合現(xiàn)象。為了降低因訓(xùn)練集樣本數(shù)量過少對(duì)訓(xùn)練造成的不良影響,各種擴(kuò)展數(shù)據(jù)集樣本的數(shù)據(jù)增強(qiáng)算法被提出并被廣泛應(yīng)用,將數(shù)據(jù)增強(qiáng)算法應(yīng)用于小數(shù)據(jù)集不僅能夠提升數(shù)據(jù)集樣本的數(shù)量也能提升樣本的多樣性。本文針對(duì)數(shù)據(jù)集中樣本數(shù)不足的情況,提出了二種基于深度生成模型的數(shù)據(jù)增強(qiáng)算法:（1）基于高斯混合模型條件生成式對(duì)抗網(wǎng)絡(luò)（Gaussian Mixture Model Conditional Generative Adversarial Networks,GMM-CGAN）模型,該模型針對(duì)生成式對(duì)抗式網(wǎng)絡(luò)（Generative Adversarial Networks GAN）因其假設(shè)隱變量z的分布為單一高斯分布,導(dǎo)致先驗(yàn)分布過于單一,難以學(xué)習(xí)并表示復(fù)雜分布等問題,提出利用高斯混合模型替代單一高斯模型提升CGAN的先... 

【文章來源】：南京信息工程大學(xué)江蘇省

【文章頁數(shù)】：50 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

正常擬合(左)和過擬合(右)

濃霧天氣形勢(shì)圖

神經(jīng)網(wǎng)絡(luò)經(jīng)典結(jié)構(gòu)

【參考文獻(xiàn)】：
期刊論文
[1]生成式對(duì)抗網(wǎng)絡(luò)GAN的研究進(jìn)展與展望[J]. 王坤峰,茍超,段艷杰,林懿倫,鄭心湖,王飛躍.  自動(dòng)化學(xué)報(bào). 2017(03)



本文編號(hào)：3534845