Nov, 2021

Deceive D: 有限数据下的生成对抗网络 (GAN) 训练的自适应伪增强

PDF
TL;DR本研究介绍了一种新的训练策略 —— 自适应伪扩充 (Adaptive Pseudo Augmentation,APA)，以鼓励生成器和辨别器之间的健康竞争；APA 通过使用生成器本身来伪装真实数据分布，有效地减轻了过度拟合问题。该训练策略简单而有效，可无缝地添加到功能强大的 GAN 中，如 StyleGAN2，且计算成本极低。
generative adversarial networkslimited dataadaptive pseudo augmentationdiscriminator overfittingsynthesis quality
发现论文，激发创造
  • 使用有限数据训练生成对抗网络

    本文提出一种自适应判别器增广机制，稳定有限数据中生成对抗网络的训练，无需改变损失函数或网络架构，适用于从头开始训练和调优现有 GAN 的情况，并在几个数据集上进行了实证分析，结果表明，仅使用少量的训练图像就可以获得好的结果，通常与 StyleGAN2 的结果相匹配，而使用的图像数量则少了一个数量级。此方法有望扩大 GAN 的应用领域，并发现 CIFAR-10 是一个有限数据基准，在此基础上改进了记录 FID（Fréchet Inception Distance) 由 5.59 到 2.42。

    Jun, 2020

  • 逐步增量式 GAN

    通过新的正则化技术 - 逐步增强生成对抗网络（PA-GAN），逐步增加鉴别器的输入或特征空间的任务难度，从而使生成器能够不断地学习，这保留了原始 GAN 目标，不损害鉴别器的最优性并鼓励生成器和鉴别器之间健康的竞争，从而提高了 FID 得分的有效性。

    Jan, 2019

  • DOPING: GAN 生成数据增强用于无监督异常检测

    本研究介绍了一种基于 GAN 和 AAE 的数据增强框架，可以应用于未监督的异常检测任务，并成功地解决了在高维数据分布与多模式分布中升采样极少发生正常事件的问题。

    Aug, 2018

  • 基于扩增感知的自监督学习，用于数据有效的 GAN 训练

    提出了一种新型的、基于增强现实的自监督辨别器，并利用预测参数作为判别阈值，减弱了旧行的数据不变性，显著提升了数据效率，实验结果优于其他 GANs

    May, 2022

  • 小样本基于 GAN 的数据增强中的偏差探究

    本研究探讨了生成对抗网络（GAN）的数据增强中的偏见问题，通过实验设计了一种数据集筛选的流程来减少 GAN-based 数据增强方法的偏见，并最终提出了一些应对方案以减缓偏见对模型性能的影响。

    May, 2019

  • 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

  • 生成对抗网络用于数据增强

    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

  • 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

  • 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

  • 关于生成对抗网络训练中的数据增强

    本研究提出了一个称为 Data Augmentation Optimized for GAN (DAG) 的框架，用于在 GAN 训练中使用增强数据来改善原始分布的学习，通过理论分析表明该方法有效地利用增强数据来提高鉴别器和生成器的学习，并在自然图像和医疗图像数据集上证明了 DAG 的有效性和优越性。

    Jun, 2020