一、用于数据增强的 GAN

在机器学习中，训练数据量不足往往会阻碍分类算法的性能。经验表明，训练数据不足是常态，而不是例外，这就是为什么人们提出了数据增强方法。

我们可以使用数据增强，例如稍微旋转或翻转原始数据以生成新的训练数据。但这当然不会给我们带来真正的新形象。

反过来，GAN 确实输出了全新的图像。您可能听说过 GAN 作为一种创建极其逼真的假图像和视频的手段（在“Deepfake”一词下广为流传）。正如最近的研究（例如Antoniou 等人 2017、Wang 等人 2018和Frid-Adar 等人 2018）所表明的，它们还可以通过生成额外的训练数据来提高机器学习分类器的性能。

（1）工业应用

当我们处理稀缺的训练数据时，GAN 数据增强方法特别有前途。

想象一下，我们想要训练一个机器学习模型来识别工业生产流程中的缺陷组件。希望缺陷很少发生；但这也意味着我们可能只有少量图像显示出典型的缺陷来训练网络。

使用 GAN，我们可以为任何给定的缺陷类型生成额外的图像。

（2）数据

我们使用NEU 表面缺陷数据库，其中包含 300

声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。