基于生成对抗网络的图像数据增强方法研究
发布时间：2021-09-03 06:53
传统数据增强发展至今衍生出许多方法,但由于始终都是在原始图像上进行变换,对于分类性能的提升依然十分有限,即使后来出现了 AutoAugment等自动化搜索数据增强策略,也只是简化了策略选择流程,本质上并未对数据集的分类性能带来很大的提升。随着生成对抗网络（GAN）的兴起,GAN可以根据已有数据集的高维特征进行组合,生成与原始数据集完全不同的图像,相比于传统的数据增强方法,可以为神经网络提供更多的图像特征,经过精心设计的生成对抗网络可以生成与原始图像相似且清晰的图像,但同时GAN也存在训练不稳定、生成图像质量不高、无法生成指定标签图像、生成图像中包含噪声数据等问题,因此本文针对这些问题提出了一种基于生成对抗网络的数据增强方法,主要研究成果如下:1.针对普通GAN训练不稳定、生成图像质量不高、无法指定生成图像类别等问题,结合WGAN-GP和ACGAN的优点设计了一种生成对抗网络模型DAGAN-GP,结合梯度惩罚（gradientpenalty）设计了新的损失函数。同时引入了一系列的优化策略:标签平滑（label smoothing）、小批量判别（Minibatch Discriminati...
【文章来源】：华中师范大学湖北省 211工程院校 教育部直属院校
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
图１．１本文提出的ＤＡＧＡＮ－ＧＰ模型框架??主要改进有如下几点：引入梯度惩罚（ｒａｄｉｅｎｔｅｎａｌｔ），设计了新的损失函数；??
硕士学位论文??ＭＡＳＴＥＲ＇Ｓ?ＴＨＦ．ＳＩＳ??据集的质量，本文最终数据增强具体流程如图１．２所示。最后通过在各实验数据集??上的对比实验验证了算法在数据选择上的有效性。??；?＊???＊?ＶＧＧ１９????Ｉ?｜原始数捤集?｜—?—？｛?ｖｇｇｉ９－ｆ?｜￣＞｜?Ｅｙｙ－ｕｒｒ?｜￣￣？｜?增翻据集］｜??—＊｜?ＤＡＧＡＫ－ＧＰ?｜￣￣生成数据集?｜—??数据生成?ｉ特征提取?数据迭择；增强结果??图１．２本文所提出的结合ＤＡＧＡＮ－ＧＰ和ＥＮＮ－ＩＨＴ的数据增强方法流程图??１．４论文组织结构??本文分为五章，具体组织结构安排如下：??第一章，绪论，主要阐述了基于生成对抗网络进行数据增强的研究背景与研究??意义，通过梳理文献和领域内的研宄成果，分析对比了当前该领域的现状，在本章??的结尾主要阐述了本文的成果和论文组织结构安排。??第二章，图像数据增强技术，重点阐述了关于数据增强的部分技术及其原理，??首先介绍了传统数据增强的方法，然后详细阐述了生成对抗网络的原理和常见变体，??及其在数据增强方面的应用。??第三章，基于ＡＣＧＡＮ和ＷＧＡＮ－ＧＰ的数据增强算法，阐述了?ＤＡＧＡＮ－ＧＰ的??原理，详细介绍了?ＤＡＧＡＮ－ＧＰ的模型结构和优化方法。选取了合适的ＧＡＮ评价指??标，并在两个常用图像识别数据集上进行了实验验证。最后设置对照组验证了??ＤＡＧＡＮ－ＧＰ在数据增强上的效果。??第四章，基于编辑最近邻和实例硬度阈值的数据选择算法，针对ＤＡＧＡＮ－ＧＰ??生成的部分图像质量不高而影响分类性能的问题，提出了一种数据选择方法ＥＮＮ－??ＩＨＴ，并在实验数据集上进行验证。??第五章，总结与展
＃硕士学位论文??ＭＡＳＴＥＲ＇Ｓ?ＴＨＥＳＩＳ?????２图像数据增强技术??随着研宄人员的不断深入，各种图像数据增强方法层出不穷。传统增强方法从??简单的空间变换如平移、旋转等，发展到更复杂的频域变换如ＲＧＢ变换、极坐标??变换等。生成式模型从自编码器发展到变分自编码器，到现在的生成对抗网络。本??章对传统图像数据增强、自编码器、生成对抗网络等数据增强方法的原理和发展进??行介绍，同时进行对比，奠定本文的理论基矗??２．１传统图像数据增强??２．１．１几何变换类??常见的几何变换类一般就是对图像进行简单的变换，包括翻转，旋转，裁剪，??等各类操作。图２．１展示了一些常见的操作效果：??（ａ）上下翻转和左右翻转?（ｂ）随机旋转??％ｍ＼?ｍ??（Ｃ）随机裁剪?（ｄ）缩放拉伸??图２．１常见的几种几何变换操作??２．１．２颜色变换类??与２．１．１节中介绍的几何变换不同的是颜色变化会改变图像本身的内容。此类??变换主要是通过颜色变换来的将数据增强，奴前得到广泛应用的有噪声、擦除、填??充等等。??颜色变换最常见的是基于噪声的，它主要就是添加一些噪声在原本的图像上，??７??
【参考文献】：
期刊论文
[1]基于生成式对抗神经网络的手写文字图像补全[J]. 李农勤,杨维信. 图学学报. 2019(05)
[2]结合全卷积网络与CycleGAN的图像实例风格迁移[J]. 刘哲良,朱玮,袁梓洋. 中国图象图形学报. 2019(08)
[3]生成对抗网络图像处理综述[J]. 朱秀昌,唐贵进. 南京邮电大学学报(自然科学版). 2019(03)
[4]基于GAN生成对抗网络的图像去噪及去噪原理的探究[J]. 梁威鹏,洪盛伟. 科技资讯. 2019(13)
[5]基于GAN的图像超分辨率方法研究[J]. 王旺,徐俊武. 软件导刊. 2019(06)
[6]基于深度卷积神经网络的街景门牌号识别方法[J]. 韩鹏承,胡西川. 现代计算机(专业版). 2018(20)
[7]MNIST邮政编码手写数字识别的研究[J]. 崔海霞,杨红,刘佐濂. 广州大学学报(自然科学版). 2009(04)
本文编号：3380634
【文章来源】：华中师范大学湖北省 211工程院校 教育部直属院校
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
图１．１本文提出的ＤＡＧＡＮ－ＧＰ模型框架??主要改进有如下几点：引入梯度惩罚（ｒａｄｉｅｎｔｅｎａｌｔ），设计了新的损失函数；??
硕士学位论文??ＭＡＳＴＥＲ＇Ｓ?ＴＨＦ．ＳＩＳ??据集的质量，本文最终数据增强具体流程如图１．２所示。最后通过在各实验数据集??上的对比实验验证了算法在数据选择上的有效性。??；?＊???＊?ＶＧＧ１９????Ｉ?｜原始数捤集?｜—?—？｛?ｖｇｇｉ９－ｆ?｜￣＞｜?Ｅｙｙ－ｕｒｒ?｜￣￣？｜?增翻据集］｜??—＊｜?ＤＡＧＡＫ－ＧＰ?｜￣￣生成数据集?｜—??数据生成?ｉ特征提取?数据迭择；增强结果??图１．２本文所提出的结合ＤＡＧＡＮ－ＧＰ和ＥＮＮ－ＩＨＴ的数据增强方法流程图??１．４论文组织结构??本文分为五章，具体组织结构安排如下：??第一章，绪论，主要阐述了基于生成对抗网络进行数据增强的研究背景与研究??意义，通过梳理文献和领域内的研宄成果，分析对比了当前该领域的现状，在本章??的结尾主要阐述了本文的成果和论文组织结构安排。??第二章，图像数据增强技术，重点阐述了关于数据增强的部分技术及其原理，??首先介绍了传统数据增强的方法，然后详细阐述了生成对抗网络的原理和常见变体，??及其在数据增强方面的应用。??第三章，基于ＡＣＧＡＮ和ＷＧＡＮ－ＧＰ的数据增强算法，阐述了?ＤＡＧＡＮ－ＧＰ的??原理，详细介绍了?ＤＡＧＡＮ－ＧＰ的模型结构和优化方法。选取了合适的ＧＡＮ评价指??标，并在两个常用图像识别数据集上进行了实验验证。最后设置对照组验证了??ＤＡＧＡＮ－ＧＰ在数据增强上的效果。??第四章，基于编辑最近邻和实例硬度阈值的数据选择算法，针对ＤＡＧＡＮ－ＧＰ??生成的部分图像质量不高而影响分类性能的问题，提出了一种数据选择方法ＥＮＮ－??ＩＨＴ，并在实验数据集上进行验证。??第五章，总结与展
＃硕士学位论文??ＭＡＳＴＥＲ＇Ｓ?ＴＨＥＳＩＳ?????２图像数据增强技术??随着研宄人员的不断深入，各种图像数据增强方法层出不穷。传统增强方法从??简单的空间变换如平移、旋转等，发展到更复杂的频域变换如ＲＧＢ变换、极坐标??变换等。生成式模型从自编码器发展到变分自编码器，到现在的生成对抗网络。本??章对传统图像数据增强、自编码器、生成对抗网络等数据增强方法的原理和发展进??行介绍，同时进行对比，奠定本文的理论基矗??２．１传统图像数据增强??２．１．１几何变换类??常见的几何变换类一般就是对图像进行简单的变换，包括翻转，旋转，裁剪，??等各类操作。图２．１展示了一些常见的操作效果：??（ａ）上下翻转和左右翻转?（ｂ）随机旋转??％ｍ＼?ｍ??（Ｃ）随机裁剪?（ｄ）缩放拉伸??图２．１常见的几种几何变换操作??２．１．２颜色变换类??与２．１．１节中介绍的几何变换不同的是颜色变化会改变图像本身的内容。此类??变换主要是通过颜色变换来的将数据增强，奴前得到广泛应用的有噪声、擦除、填??充等等。??颜色变换最常见的是基于噪声的，它主要就是添加一些噪声在原本的图像上，??７??
【参考文献】：
期刊论文
[1]基于生成式对抗神经网络的手写文字图像补全[J]. 李农勤,杨维信. 图学学报. 2019(05)
[2]结合全卷积网络与CycleGAN的图像实例风格迁移[J]. 刘哲良,朱玮,袁梓洋. 中国图象图形学报. 2019(08)
[3]生成对抗网络图像处理综述[J]. 朱秀昌,唐贵进. 南京邮电大学学报(自然科学版). 2019(03)
[4]基于GAN生成对抗网络的图像去噪及去噪原理的探究[J]. 梁威鹏,洪盛伟. 科技资讯. 2019(13)
[5]基于GAN的图像超分辨率方法研究[J]. 王旺,徐俊武. 软件导刊. 2019(06)
[6]基于深度卷积神经网络的街景门牌号识别方法[J]. 韩鹏承,胡西川. 现代计算机(专业版). 2018(20)
[7]MNIST邮政编码手写数字识别的研究[J]. 崔海霞,杨红,刘佐濂. 广州大学学报(自然科学版). 2009(04)
本文编号：3380634
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3380634.html
