Muhammad Muneeb Saad, Mubashir Husain Rehmani, Ruairi O'Reilly
TL;DR本研究提出了一种新颖的早停准则,通过定量检测训练问题来减少 GAN 的计算成本,生成多样化和高质量的生物医学图像。
Abstract
generative adversarial networks (GANs) have high computational costs to train
their complex architectures. Throughout the training process, GANs' output is
analyzed qualitatively based on the loss and synthetic i
提出了一种名为 MSG-SAGAN 的多尺度梯度生成式对抗网络结构,用于解决不平衡的生物医学图像数据集生成多样化高质量的 X 光影像。通过使用多尺度渐变和注意力机制来改善生成器和鉴别器模型中生物医学图像特征的长程依赖之间的关系,以减少模式崩溃和稳定 GAN 的训练。与多尺度梯度 GAN (MSG-GAN) 相比,结果表明 MSG-SAGAN 在合成多样化的图像方面表现更好。
通过研究不同类型的模式崩溃问题和它们对合成 X 射线图像的多样性的影响,本文探讨了将自适应输入图像归一化与深度卷积 GAN 和辅助分类 GAN 相结合以减轻模式崩溃问题的好处。通过将合成图像用于数据增强和训练视觉转换模型,使用准确度、召回率和精确度等指标评估模型的分类性能。结果表明,使用自适应输入图像归一化的 DCGAN 和 ACGAN 优于使用未归一化的 X 射线图像的 DCGAN 和 ACGAN,这体现在更好的多样性指标和分类指标上。