GAN合成数据的采样策略
计算机视觉与模式识别
2020-06-18 v1
摘要
生成对抗网络（GANs）已被广泛用于生成大量合成数据。该数据正被用于与真实样本增强以训练深度卷积神经网络（CNNs）。研究表明，生成的样本缺乏足够真实感以训练深度CNN，且多样性差。与以往随机将合成数据增强至真实数据的研究不同，我们提出简单、有效且易实现的合成数据采样方法，以更高效准确地训练深度CNN。为此，我们提议最大化利用GAN训练自身习得的参数。这些包括判别器真实感置信度分数与合成数据目标标签的置信度。此外，我们探索强化学习（RL）以从大规模GAN合成数据池中自动搜索有意义的合成样本子集。我们在两个具挑战性的人脸属性分类数据集即AffectNet与CelebA上评估了方法。大量实验清晰证明了增强前采样合成数据的必要性，其也提升了某最先进深度CNN的体外性能。
引用
@article{arxiv.1909.04689,
title = {Sampling Strategies for GAN Synthetic Data},
author = {Binod Bhattarai and Seungryul Baek and Rumeysa Bodur and Tae-Kyun Kim},
journal= {arXiv preprint arXiv:1909.04689},
year = {2020}
}