基于PolyLoss的StarGAN图像样本自生长研究

摘要：

在深度学习模型训练中,提高输入样本数量能够有效解决样本不均衡和训练过拟合问题.为更好地处理数据集的小样本场景,提出了一种基于PolyLoss的StarGAN小样本图像增强方法(PolyStarGAN).相比传统样本增强方法,该网络具有更高的样本学习、生成能力.该方法使用训练生成器和判别器提取图像的特征信息,生成图像与输入图像的内容和结构一致.通过计算峰值信噪比、结构相似性与视觉信息保真度3个方面评估PolyStarGAN网络生成结果;在ResNet50目标识别模型训练中验证数据集质量.实验结果表明,提出的模型对不同场景图像的增强效果较好,提高了自生长数据集的ResNet50模型识别精度,可为样本自生长中的小样本问题提供参考方案与技术支持.

关键词：图像处理、深度学习、样本自生长、StarGAN、PloyLoss

所属期刊栏目：35

分类号：TP391(计算技术、计算机技术)

在线出版日期：2023-03-22（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：204-209