為了在數(shù)據(jù)集過小時更好的訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò),提出一種方法通過訓(xùn)練生成對抗網(wǎng)絡(luò)(GAN)生成新的樣本進(jìn)行圖像數(shù)據(jù)增強(qiáng)。擴(kuò)充后的數(shù)據(jù)集應(yīng)用于訓(xùn)練圖像分類模型,得到了不錯的效果。針對Herlev宮頸細(xì)胞數(shù)據(jù)集的二分類問題,首先使用原始訓(xùn)練集訓(xùn)練GAN,生成了大量高質(zhì)量的高分辨率細(xì)胞圖像,將每類訓(xùn)練集擴(kuò)充到24 000例。然后使用擴(kuò)充后的訓(xùn)練集進(jìn)行分類網(wǎng)絡(luò)訓(xùn)練,在Resnet遷移學(xué)習(xí)的驗(yàn)證集準(zhǔn)確率高達(dá)97%,高于仿射變換擴(kuò)充的數(shù)據(jù)集的訓(xùn)練結(jié)果93%,可見研究結(jié)果可以有效地實(shí)現(xiàn)圖像的數(shù)據(jù)增強(qiáng)。研究結(jié)果也可用于其他領(lǐng)域的圖像數(shù)據(jù)增強(qiáng)。

【文章頁數(shù)】：6 頁

【文章目錄】：
1 生成對抗網(wǎng)絡(luò)GAN
    1.1 GAN介紹
    1.2 DCGAN和WGAN介紹
2 設(shè)計(jì)的生成對抗網(wǎng)絡(luò)
    2.1 生成網(wǎng)絡(luò)G
    2.2 判別網(wǎng)絡(luò)D
3 GAN訓(xùn)練過程
    3.1 預(yù)處理
    3.2 訓(xùn)練與效果介紹
4 圖像分類實(shí)驗(yàn)
    4.1 使用GAN擴(kuò)充的數(shù)據(jù)集
    4.2 與仿射變換擴(kuò)充的數(shù)據(jù)集比較
    4.3 與其他工作的比較
5 結(jié)論



本文編號：3852844