利用生成对抗网络（GAN）进行数据增强以基于 GAN 检测胸部 X 光图像中的肺炎与 COVID-19
计算机视觉与模式识别
2021-01-14 v2 机器学习
图像与视频处理
定量方法
摘要
卷积神经网络（CNN）的成功训练需要大量数据。在小型数据集上网络泛化能力差。数据增强技术通过更有效地利用现有训练数据来提升神经网络的泛化能力。然而，标准数据增强方法产生的合理替代数据有限。生成对抗网络（GAN）已被用来生成新数据并提升 CNN 性能。尽管如此，与 CNN 相比，用于训练 GAN 的数据增强技术尚待充分探索。在本工作中，我们提出一种新的 GAN 架构，用于生成胸部 X 光增强数据，以基于生成模型对肺炎和 COVID-19 进行半监督检测。我们展示了所提 GAN 可有效增强数据并提高胸部 X 光中肺炎和 COVID-19 疾病分类准确率。我们在两个不同 X 光数据集上将我们的增强 GAN 模型与深度卷积 GAN 及传统增强方法（旋转、缩放等）进行比较，表明我们基于 GAN 的增强方法在训练 GAN 检测 X 光图像异常方面优于其他增强方法。
引用
@article{arxiv.2006.03622,
title = {Data Augmentation using Generative Adversarial Networks (GANs) for GAN-based Detection of Pneumonia and COVID-19 in Chest X-ray Images},
author = {Saman Motamed and Patrik Rogalla and Farzad Khalvati},
journal= {arXiv preprint arXiv:2006.03622},
year = {2021}
}