在基于 GAN 的 X 射线图像中使用自适应输入图像归一化解决类内模式崩溃问题
图像与视频处理
2022-04-13 v2 计算机视觉与模式识别
机器学习
摘要
由于目标疾病的罕见性，生物医学图像数据集可能存在不平衡。生成对抗网络（GAN）通过生成合成图像以增强数据集，在解决这种不平衡中起着关键作用。生成包含多样化特征以准确表示训练图像中特征分布的合成图像十分重要。此外，合成图像中缺乏多样化特征会降低机器学习分类器的性能。模式崩溃问题会影响生成对抗网络生成多样化图像的能力。模式崩溃有两种：类内和类间。本文研究了类内模式崩溃问题，并评估了其对合成 X 射线图像多样性的后续影响。本工作实证展示了将自适应输入图像归一化集成到深度卷积 GAN（DCGAN）中以缓解类内模式崩溃问题的益处。结果表明，具有自适应输入图像归一化的 DCGAN 优于使用未归一化 X 射线图像的 DCGAN，这由更优的多样性分数所证明。
引用
@article{arxiv.2201.10324,
title = {Addressing the Intra-class Mode Collapse Problem using Adaptive Input Image Normalization in GAN-based X-ray Images},
author = {Muhammad Muneeb Saad and Mubashir Husain Rehmani and Ruairi O'Reilly},
journal= {arXiv preprint arXiv:2201.10324},
year = {2022}
}
备注
Accepted to the IEEE EMBC22 Conference