基于生成对抗网络的宫颈细胞图像数据增强

摘要：

为了在数据集过小时更好的训练卷积神经网络,提出一种方法通过训练生成对抗网络(GAN)生成新的样本进行图像数据增强.扩充后的数据集应用于训练图像分类模型,得到了不错的效果.针对Herlev宫颈细胞数据集的二分类问题,首先使用原始训练集训练GAN,生成了大量高质量的高分辨率细胞图像,将每类训练集扩充到24000例.然后使用扩充后的训练集进行分类网络训练,在Resnet迁移学习的验证集准确率高达97％,高于仿射变换扩充的数据集的训练结果93％,可见研究结果可以有效地实现图像的数据增强.研究结果也可用于其他领域的图像数据增强.

关键词：生成对抗网络、宫颈细胞、数据增强、图像分类

所属期刊栏目：20

分类号：TP391.41(计算技术、计算机技术)

资助基金：国家科技支撑计划2011BAF02B00

在线出版日期：2020-11-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：11672-11677