AAAIDec, 2019

DeGAN: 一种用于从训练分类器中检索代表性样本的数据增强生成对抗网络

PDF
TL;DR本论文提出了一种名为 Data-enriching GAN 的框架，可以利用来自不同领域的数据来提高已经训练好的深度神经网络在无数据和增量学习任务上的表现。
deep neural networksdata-enriching gandata-free knowledge distillationincremental learningrelated domain
发现论文，激发创造
  • 利用生成对抗网络进行数据增强

    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

  • 生成对抗网络集成用于合成训练数据生成

    本文研究了在医学影像方面采用生成对抗网络（GANs）合成图像作为深度学习的训练数据来替代难以获取的真实数据集的可行性，同时探讨使用多个 GANs 以提高生成数据的差异性在数码病理学方面的应用。

    Apr, 2021

  • 图像生成中数据高效 GAN 的全面调查

    通过对分布优化的角度重温和定义 DE-GAN，将现有方法分类为数据选择、GANs 优化和知识共享三个类别，总结了 Data-Efficient GANs 的特性、挑战与解决方案，并试图突出当下问题和未来方向。

    Apr, 2022

  • GAN 增强：使用生成对抗网络进行训练数据增强

    本文使用生成式对抗网络（GAN）生成的合成数据来增加医学成像训练数据集的样本数量，从而提高监督式机器学习算法对图像分割任务的性能。

    Oct, 2018

  • DeLiGAN: 用于多样化和有限数据的生成对抗网络

    DeLiGAN 是一种用于有限训练数据场景的新型 GAN 架构，通过将潜在生成空间重新参数化为混合模型并学习混合模型的参数以及 GAN 的参数，实现了在有限数据的情况下生成具有多样性的样本。

    Jun, 2017

  • 数据增强生成对抗网络

    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

  • 远程感知图像中的数据增强和适应的条件生成对抗网络

    使用 GAN 将给定的标记遥感图像拓展成更大的数据集并评测其对于物体检测任务的性能提升。

    Aug, 2019

  • 多域学习 GANs 的有效数据增强

    该论文提出了基于生成对抗网络的数据增强方法，使用多域学习 GAN 将外部数据集的知识导入目标模型中以生成目标任务的新样本，从而提高深度学习应用中的数据开发效率并在图像分类任务中取得了更好的分类精度。

    Dec, 2019

  • 在人工数据集上训练 GAN 的经验教训

    通过训练 GAN 在人工数据集上，我们发现混合多个 GANs 相比于使用更深、更宽、更复杂的单个生成器会获得更好的结果。在 CIFAR-10 数据集上，我们的方法在流行的指标（IS 和 FID）上明显优于现有技术的表现。

    Jul, 2020

  • 利用预训练的 GAN 生成有限数据

    本研究利用预训练的大规模 GAN 模型在有限数据情境下实现了对感知明显目标领域的图像生成，提出了自适应滤波器调制（AdaFM）的方法，证明了此技术在限制数据生成方面的有效性。

    Feb, 2020