基于生成对抗网络的情绪分类数据增强
计算机视觉与模式识别
2017-12-15 v5
摘要
仅使用少量标注样本对具有多类标签的图像进行分类是一项困难任务，尤其是当标签（类别）分布不平衡时。情绪分类即是标签分布不平衡的一个例子，因为某些情绪类别如厌恶（disgusted）相对于其他标签如高兴或悲伤（happy or sad）较为罕见。本文提出一种使用生成对抗网络（GAN）的数据增强方法。它能够补充和补全数据流形，并找到相邻类别间更好的边界。具体而言，我们设计了一个以CNN模型作为分类器、以循环一致对抗网络（CycleGAN）作为生成器的框架。为避免梯度消失问题，我们采用最小二乘损失作为对抗损失。我们还在三个基准数据集上提出了若干评估方法来验证GAN的性能。实证结果表明，采用基于GAN的数据增强技术后，分类准确率可提升5%~10%。
引用
@article{arxiv.1711.00648,
title = {Data Augmentation in Emotion Classification Using Generative Adversarial Networks},
author = {Xinyue Zhu and Yifan Liu and Zengchang Qin and Jiahong Li},
journal= {arXiv preprint arXiv:1711.00648},
year = {2017}
}