CVPRDec, 2020

使用 Polarity-GAN 去除类别不平衡：一种不确定性采样方法

PDF
TL;DR本研究提出了一种使用生成对抗网络来处理视觉数据集中类别不平衡问题的方法，通过在原有网络中加入分类器网络和一些附加条件，实现了在极端视觉分类任务上的最佳表现。
class imbalancegenerative adversarial networkdeep learningvisual data setsstate of the art performance
发现论文，激发创造
  • 潜在保存对抗生成网络用于不平衡分类

    本文提出了一种端到端的深度生成分类器，通过使用领域约束自编码器作为生成器的先验来解决类不平衡问题，并使用判别器和分类器进行对抗学习，实验结果验证了该方法在处理高维类不平衡分类问题方面的卓越性。

    Sep, 2022

  • 生成式对抗少数族裔过采样

    本文提出了一种基于三方博弈的凸生成器算法，通过在深度学习系统中处理类别不平衡，在类别边界附近生成人工样本，从而优化分类器的性能。对多个类别不平衡的图像数据集进行的实验证实了算法的有效性。

    Mar, 2019

  • 使用生成对抗网络的情感分类数据增强

    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

  • 通过联合生成和分类缓解数据集不平衡

    本研究通过组合神经网络分类器和生成对抗网络技术提出了一种联合数据集修复策略，用于解决数据集不平衡所导致的性能下降和数据偏差问题，实验证明这种方法可以提高分类器和生成对抗网络的鲁棒性。

    Aug, 2020

  • BAGAN: 平衡 GAN 的数据增强

    本文提出了一种利用平衡生成对抗网络（BAGAN）进行数据增强的方法，通过包含绝大部分类别的图片，生成模型学习到大多数类别的有用特征，并利用类别条件来驱动生成过程。在不平衡的数据集中，本方法生成的图像质量更优。

    Mar, 2018

  • 基于 GAN 的数据增强解决类别不平衡问题

    在信用卡欺诈检测中，机器学习被广泛运用，但因为样本集类别分布存在不平衡，这可能导致模型预测全部为多数类别而无法推广到真实情况。因此，我们使用生成对抗网络来生成一些少数类别虚拟数据，以缓解类别分布不平衡问题，从而更有效地学习数据。

    Jun, 2022

  • 使用 GAN 生成类别独特和类别共有的图像

    提出了分类器后验 GAN（CP-GAN），它通过将分类器的后验融入生成器输入并优化生成器来实现，以实现捕捉类别之间的关系并有选择地生成图像。

    Nov, 2018

  • 损伤生成对抗网络：一种用于不平衡数据的生成模型

    本研究探讨了生成对抗网络（GANs）在不平衡数据集中的应用，旨在增强 GANs 在此类数据集中的性能和稳定性。通过引入一种称为 Damage GAN 的新型网络架构，该架构建立在 ContraD GAN 框架之上，无缝融合了 GANs 和对比学习，我们利用对比学习训练判别器以发展出能够区分所有提供的样本的无监督表示。通过模仿直观的对比学习视觉表示框架（SimCLR），我们提出了一种独特的损失函数，并探索了自我损伤对比学习（SDCLR）的实现，以进一步增强 ContraD GAN 模型的优化。与基准模型，包括深度卷积 GAN（DCGAN）和 ContraD GAN 进行比较评估，证明了我们提出的模型 Damage GAN 在应用于不平衡数据集时在生成的图像分布、模型稳定性和图像质量方面具有明显优势。

    Dec, 2023

  • Red-GAN: 通过有条件生成攻击类别不平衡 - 对皮肤镜检和脑部肿瘤 MRI 的医学图像合成的另一视角

    通过基于生成对抗网络的数据增强协议，我们在像素级别和全局信息水平上对网络进行调节，以控制合成图像的外观，从而解决医学图像领域中被数据稀缺限制的问题，并通过将合成图像注入到训练集中来控制数据集类别的准确性水平。

    Apr, 2020

  • 生成对抗性训练器：用 GAN 对抗对抗性扰动

    我们提出了一种新的技术，使用生成对抗网络使神经网络对抗性示例具有鲁棒性，通过交替训练分类器和生成器网络，我们成功地应用于 CIFAR 数据集的监督学习，实验结果表明我们的方法显著降低了网络的泛化误差。这是我们所知道的第一个使用 GAN 改进监督学习的方法。

    May, 2017