使用生成对抗网络进行低资源情感分析的数据增强
本文提出了使用生成对抗网络(GAN)生成机器学习任务的人工训练数据,以解决样本不平衡问题与个人隐私数据问题,在多个基准数据集上测试表明,使用 GAN 生成的训练数据进行决策树分类器训练可以取得与使用原始数据集训练 DT 相同或更好的准确性和召回率.
Apr, 2019
使用生成对抗网络 (GANs) 来扩充医疗领域中用于训练人工智能模型的可用数据集是可行的,然而仍需在医学影像使用 GANs 方面进行更进一步的研究以确保生成的影像质量高并适用于临床环境。
Jun, 2023
本论文提出了一种将生成对抗网络(GAN)用于数据增强的方法,以解决标签分布不均衡导致的图像分类困难,特别是在情感分类中,实验结果表明,使用 GAN 进行数据增强,可以使分类准确率提高 5%〜10%。
Nov, 2017
本文提出了一种用于数据增强的生成对抗网络 (DAGAN) 模型,其可帮助神经网络在数据不足的情况下提高泛化能力,实验结果显示在 Omniglot、EMNIST 以及 VGG-Face 数据集中,使用 DAGAN 后精度显著提高,我们同时还使用 DAGAN 增强了匹配网络 (Matching Networks) 的性能。
Nov, 2017
本文探讨了在医疗领域电脑视觉技术中普遍存在的数据样本数量不足和分类失衡的问题,并通过使用生成对抗网络技术来增强数据集以改善网络性能,结果表明这种方法适用于低数据的情况,是值得进一步研究的领域。
Jul, 2021
本文使用生成对抗网络的生成结果作为认知组件,以增强角色设计师在为不同的多媒体项目概念化新角色时的创造力。同时,本文通过在新的可视化角色数据集上使用单个图形处理器从头开始训练不同的 GAN 架构(包括转移学习和数据增强技术),并使用混合方法评估了生成视觉品质对角色设计师机构概念化新角色的认知价值。研究表明,本方法对该上下文的实施非常有效,将作为一个由人与机器共同设计的工作流程进一步评估。
May, 2023
使用生成对抗网络进行皮肤病变分析的数据增强试验仅在分布不同的测试集上表现良好,在数据匿名化方面也只在分布不同的测试集上表现良好。因此,对于医学应用需要谨慎使用此技术。
Apr, 2021
该论文概述了生成对抗网络 (GAN) 在农业图像分析中的应用,并对其在植物健康、水产养殖、动物饲养、果实检测等方面进行了系统回顾,讨论了 GAN 的挑战和机遇。
Apr, 2022