|
|
1.
基于改进DCGAN的数据增强方法
甘岚, 沈鸿飞, 王瑶, 张跃进
计算机应用
2021, 41 (5):
1305-1313.
DOI: 10.11772/j.issn.1001-9081.2020071059
针对小样本数据在深度学习中训练难的问题，为提高DCGAN训练效率，提出了一种改进的DCGAN算法对小样本数据进行增强。首先，使用Wasserstein距离替换原模型中的损失模型；其次，在生成网络和判别网络中加入谱归一化，以得到稳定的网络结构；最后，通过极大似然估计算法和实验估算得到样本的最佳噪声输入维度，从而提高生成样本的多样性。在MNIST、CelebA和Cartoon这三个数据集上的实验结果表明：改进后的DCGAN所生成样本的清晰度以及识别率比改进前均得到了明显提高，其中平均识别率在这几个数据集上分别提高了8.1%、16.4%和16.7%，几种清晰度评价指标在各数据集上均有不同程度的提高。可见该方法能够有效地实现小样本数据增强。
参考文献 |
相关文章 |
多维度评价
|
|
