10.3969/j.issn.1006-2475.2023.01.003
基于NS-StyleGAN2的鱼类图像扩充方法
图像多分类领域中经常出现类别不平衡问题,这会对分类模型的学习训练产生负面影响.通过对样本数量较少的类别进行扩充可以有效解决类别不平衡问题.生成对抗网络作为近年来新兴的一种神经网络,输入真实图像样本训练可以输出与真实样本非常相似的生成样本.根据此特性,本文结合第二代样式生成对抗网络(StyleGAN2)的设计思想与鱼类图像的特点,设计一种噪声抑制样式生成对抗网络NS-StyleGAN2(Noise-Suppressed Style Generative Adversarial Net?works 2).NS-StyleGN2去除了StyleGAN2合成网络中低分辨率层的噪声输入,从而抑制低分辨率层的噪声权重,使Style?GAN2生成样本细节特征更逼近真实样本特征.采用202张鲢鱼图像进行训练,本文提出的方法在起始分数、弗雷歇起始距离、内核起始距离得分等方面均优于DCGAN、WGAN、StyleGAN2,表明该方法可以有效进行图像扩充.
样式生成对抗网络、图像扩充、噪声抑制、起始分数、弗雷歇起始距离
TP391.4(计算技术、计算机技术)
山东省重点研发计划科技示范工程项目2021SFGC0701
2023-03-06(万方平台首次上网日期,不代表论文的发表时间)
共6页
13-17,23