基于生成对抗网络的宫颈细胞图像数据增强

发布时间：2023-10-11 21:41

　　为了在数据集过小时更好的训练卷积神经网络,提出一种方法通过训练生成对抗网络(GAN)生成新的样本进行图像数据增强。扩充后的数据集应用于训练图像分类模型,得到了不错的效果。针对Herlev宫颈细胞数据集的二分类问题,首先使用原始训练集训练GAN,生成了大量高质量的高分辨率细胞图像,将每类训练集扩充到24 000例。然后使用扩充后的训练集进行分类网络训练,在Resnet迁移学习的验证集准确率高达97%,高于仿射变换扩充的数据集的训练结果93%,可见研究结果可以有效地实现图像的数据增强。研究结果也可用于其他领域的图像数据增强。

【文章页数】：6 页

【文章目录】：
1 生成对抗网络GAN
    1.1 GAN介绍
    1.2 DCGAN和WGAN介绍
2 设计的生成对抗网络
    2.1 生成网络G
    2.2 判别网络D
3 GAN训练过程
    3.1 预处理
    3.2 训练与效果介绍
4 图像分类实验
    4.1 使用GAN扩充的数据集
    4.2 与仿射变换扩充的数据集比较
    4.3 与其他工作的比较
5 结论



本文编号：3852844