BAGAN: 基于平衡 GAN 的数据增强
计算机视觉与模式识别
2018-06-06 v2 机器学习
机器学习
摘要
图像分类数据集通常是不平衡的，这一特征会对深度学习分类器的准确率产生负面影响。在这项工作中，我们提出平衡 GAN (BAGAN) 作为一种增强工具，以恢复不平衡数据集中的平衡。这具有挑战性，因为少数类图像可能不足以训练 GAN。我们通过在对抗训练过程中包含多数类和少数类的所有可用图像来克服这一问题。生成模型从多数类中学习有用特征，并利用这些特征为少数类生成图像。我们在潜在空间中应用类别条件，以驱动生成过程趋向目标类别。GAN 中的生成器使用自编码器的编码器模块进行初始化，这使我们能够在潜在空间中学习精确的类别条件。我们将所提出的方法与 SOTA GAN 进行比较，并证明当在不平衡数据集上训练时，BAGAN 能生成质量更高的图像。
引用
@article{arxiv.1803.09655,
title = {BAGAN: Data Augmentation with Balancing GAN},
author = {Giovanni Mariani and Florian Scheidegger and Roxana Istrate and Costas Bekas and Cristiano Malossi},
journal= {arXiv preprint arXiv:1803.09655},
year = {2018}
}