如需要完整文档点击下方 "点击下载文档" 按钮

针对卷积神经网络(CNN)在数据集(训练集)较小时,易发生过度拟合的现象,提出并实现了一种引入 Selu 激活 函数并结合带参数归一化的 Dropout 方法的深度卷积生成式对抗网络用于图像增强,生成图像实现数据集扩充,从而解决 深度学习图像分类研究中因图像数据不足造成的模型表达能力差、训练时易过度拟合的问题。 通过裁剪、旋转、插值、畸 变变换等扩充图像集的传统图像增强方法往往只能扩充样式单一甚至信噪比较低的图像,与传统图像增强方法扩充图像 集不同,使用生成式对抗网络生成的图像明显区别于原始图像,不仅可以得到数量更多,内容更丰富的高质量图像,数据 集扩充效率也得以提升。 仿真实验表明,该生成式对抗网络得到了质量相对较高的图像,有效地扩充了数据集。

如需要完整文档点击下方 "点击下载文档" 按钮

《一种基于生成式对抗网络的图像数据扩充方法》

将 完整文档 下载到本地，方便收藏和查阅

文件号：061534

点击下载文档