基于深度生成模型的数据增强方法研究

发布时间：2021-12-11 14:30

　　近年来,卷积神经网络应用于图像分类任务性能优越,多项研究证明卷积神经网络在大规模带有标签的数据集训练下,训练后网络能够取得高精度的识别率或分类效果。然而在某些特殊领域,例如浓雾天气形势图基准数据集,由于多方面因素制约,累积的数据集中样本远小于一般模型常规训练集规模,因此导致训练后的网络出现过拟合现象。为了降低因训练集样本数量过少对训练造成的不良影响,各种扩展数据集样本的数据增强算法被提出并被广泛应用,将数据增强算法应用于小数据集不仅能够提升数据集样本的数量也能提升样本的多样性。本文针对数据集中样本数不足的情况,提出了二种基于深度生成模型的数据增强算法:（1）基于高斯混合模型条件生成式对抗网络（Gaussian Mixture Model Conditional Generative Adversarial Networks,GMM-CGAN）模型,该模型针对生成式对抗式网络（Generative Adversarial Networks GAN）因其假设隐变量z的分布为单一高斯分布,导致先验分布过于单一,难以学习并表示复杂分布等问题,提出利用高斯混合模型替代单一高斯模型提升CGAN的先... 

【文章来源】：南京信息工程大学江苏省

【文章页数】：50 页

【学位级别】：硕士

【部分图文】：

正常拟合(左)和过拟合(右)

浓雾天气形势图

神经网络经典结构

【参考文献】：
期刊论文
[1]生成式对抗网络GAN的研究进展与展望[J]. 王坤峰,苟超,段艳杰,林懿伦,郑心湖,王飞跃.  自动化学报. 2017(03)



本文编号：3534845