系统分析 BAGAN: Data Augmentation with Balancing GAN

最新推荐文章于 2024-09-11 07:36:15 发布
最新推荐文章于 2024-09-11 07:36:15 发布
阅读量4.7k 收藏 23
点赞数 2
分类专栏： GAN网络 文章标签： 深度学习 GAN网络 数据不平衡
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_39982621/article/details/88613757
版权

 前一段时间研究了BAGAN这篇论文，我这里尝试着用最近接触的系统性的方法来阐述一下我对这篇文章的理解。我将从以下几个方面来进行分析：
（1）这篇文章解决了一个什么问题
（2）为何之前这个问题没有解决或者说这个问题的难点在哪里
（3）在这之前的解决方案有什么，作者的工作与前人相比好在哪里
（4）空口无凭，实验结果展示
（5）对整个实验的评估

1、文章解决掉的问题

 本文提出，在图像分类任务当中，我们的数据集经常是不平衡的，而这种不平衡性往往会降低分类的准确性。所以本文提出了balancing GAN(BAGAN)作为一种增强工具来恢复数据集的平衡性，以便提高分类的准确性。

2、问题的难点

 问题的难点在于我们想要生成不平衡数据集中样本数量少的类别数据，首先在GAN网络之前，我们通常会对数据做一些几何变换来增强数据集，但是这种方法遇到一些与方向性相关的数据集时，效果往往会特别不好。其次当我们使用GAN网络的时候，由于特定类别数据量较少，很难很好地训练一个GAN网络来生成数据。

3、问题的解决方案

（1）前人的工作
 由于几何变换方法的局限性，我们在这里不予以讨论。我们重点讨论GAN网络之前的工作。其实为了生成特定类别的样本，前人已经做出了一系列的工作，例如cGAN、ACGAN等。本文在我看来实际上是对ACGAN的一种改进，首先我们来看一下两者的结构图

最低0.47元/天 解锁文章
Data Augmentation--数据增强解决你有限的数据集
chang_rj的博客
09-08 6万+
参考来源–感兴趣请戳我戳我. author是Bharath Raj。 以下是翻译内容，有部分删减，感兴趣的可以读原文，该blog仅供学习。笔耕不易，互相交流。 can my “state-of-the-art” neural network perform well with the meagre amount of data I have? Yes.我们的优化目的，是当参数沿着正确的...
GAN汇总
简简单单
12-26 3168
3D-ED-GAN - Shape Inpainting using 3D Generative Adversarial Network and Recurrent Convolutional Networks 3D-GAN - Learning a Probabilistic Latent Space of Object Shapes via 3D Generative-Adversarial...
论文阅读-14-BAGAN：Data Augmentation with Balancing GAN
怪兽!!!的博客
03-02 1770
图像分类数据集通常是不平衡的，这一特征对深度学习分类器的准确性产生了负面影响。提出平衡GAN（BAGAN)作为一种增强工具，用于在不平衡数据集上恢复数据的平衡。这是具有挑战性的，因为少数少数类图像可能不足以训练GAN。我们通过在对抗性训练期间包括大多数和少数类的所有可用图像来克服这个问题。生成模型从大多数类中学习有用的特征，并使用这些特征来生成少数类的图像。我们在潜在空间中应用类条件反射来驱动生成过程朝着目标类前进。GAN 中的生成器使用自动编码器的编码器模块初始化，使我们能够在潜在空间中学习准确的类条件。
用GANs来做数据增强
AI研究院
06-02 2471
尽管使用GANs进行简单的数据增强有时可以提高分类器的性能，特别是在非常小或有限的数据集的情况下，但使用GANs进行增强的最有希望的情况似乎包括迁移学习或少量学习。随着研究不断提高GAN训练的稳定性和可靠性，将GAN用于数据增强的快速进展将不足为奇。
BEGAN 论文阅读及代码实现
I good vegetable a!
06-02 2674
GAN存在的问题 关于原始的GAN存在的问题，可以看我专栏里面GAN原理那篇文章，这篇文章主要用于记录BEGAN的原理及代码实现。 介绍 BEGAN是Google在17年3月提出的，这篇论文和GAN的最大的区别在于他可以解决传统GAN存在的模式崩溃，难以训练，难以控制生成器和判别器的平衡等问题。GAN之后出现的DCGAN,WGAN,WGAN-GP等都是使用了概率估计的方法，BEGAN的做法是不是去...
Task08: 文本分类；数据增强；模型微调
u012117153的博客
02-25 327
说实话，课程里这一节分的乱七八糟的，凑合着先写上吧。 1.文本情感分类 文本分类是自然语言处理的一个常见任务，它把一段不定长的文本序列变换为文本的类别。本节关注它的一个子问题：使用文本情感分类来分析文本作者的情绪。这个问题也叫情感分析，并有着广泛的应用。 同搜索近义词和类比词一样，文本分类也属于词嵌入的下游应用。可以应用预训练的词向量和含多个隐藏层的双向循环神经网络与卷积神经网络，来判断一段不定长...
GAN以及小样本数据扩增的一些论文笔记
qq_41032884的博客
01-14 1万+
1. 几种常见的GAN介绍 1.1. 原始GAN 1.2. CGAN 1.3. Semi-Supervised GAN 1.4. AC-GAN 2. Data Augmentation with Few Shot Learning 2.1. SMOTE 2.2. WGAN 2.3. BAGAN 1. 几种常见的GAN介绍 1.1. 原...
生成对抗网络GANs（笔记一）主线
qq_21210467的博客
08-19 1万+
生成式对抗网络（Generative Adversarial Nets, GAN） 一、发展历程： 最开始接触GANs是因为想了解有关于在少量数据的情况下如何做数据增广。然后就了解到了DCGAN生成手写数字的案例，简直是惊为天人，然今才逐渐开始了解生成对抗网络的思想。到了后来一直想用生成对抗网络的思想做语音识别和语音合成这一方面，一直找到合适的资料。再后来，鬼使神差的想结合GANs来做毕业论文...
BAGAN：解决不平衡数据集的生成对抗网络
最新发布
gitblog_00582的博客
09-11 1224
BAGAN：解决不平衡数据集的生成对抗网络 项目地址:https://gitcode.com/gh_mirrors/ba/BAGAN 项目介绍 BAGAN（Balancing GAN）是一个基于Keras实现的生成对抗网络（GAN）框架，专门用于处理图像分类任务中的不平衡数据集问题。BAGAN的核心思想是通过生成新的图像来增强少数类别的数据，从而提升模型的整体性能。该项目以MNIST数据集为例，展...
【每周CV论文推荐】基于GAN的图像数据增强有哪些经典论文值得阅读
hacker_long的专栏
09-20 1783
欢迎来到《每周CV论文推荐》。在这个专栏里，还是本着有三AI一贯的原则，专注于让大家能够系统性完成学习，所以我们推荐的文章也必定是同一主题的。当前基于GAN的二维图像生成领域的发展已经非常成熟，GAN不仅可以用于从零生成图像数据，还可以用于对数据进行增强，不仅是数量上的扩充，还包括数据质量的提升，本次我们给大家推荐一些值得阅读的文章。作者&编辑 | 言有三1 数据扩增BAGAN与DAGAN...
GAN最全论文合集
热门推荐
gdtop的个人笔记
11-25 1万+
已经到2019年了，再回来补充补充，坏消息是GAN的热度已经没有那么高了，一是各种各样的应用坑都被踩完了几乎，二是GAN结构以及不容易训练的问题。 相关论文合集： Kaiming He大神论文合集 [深度学习论文从0开始] Transfer Learning[论文合集] Object Detection[论文合集] Reinforcement Learning[论文合集] Unsu...
NLP数据增强系列之《Contextual Augmentation: Data Augmentation by Words with Paradigmatic Relations》
qq_29134801的博客
06-06 2100
《Contextual Augmentation: Data Augmentation by Words with Paradigmatic Relations》 这篇论文，是一个用模型的方式来解决数据增强问题的大作，虽然是篇令人遗憾的短文。 先强调一遍：效果不好，效果不好，它是跑了五个数据集，然后平均了一下，选取了平均值作为比较对象。 但我是为了发论文，已经无所不用其极了，我打算复现它。 ...
tensorflow的object detection的data augmention的使用
dianxiaochuang7777的博客
12-18 278
在protoc的目录下有data augmention的提示，而且注意是repeated,也就是你要这样写： 不能写在一个data_aumentation_options下面，至于有哪些选项可以用，可以去preprocessor.proto下面看: 要看函数的源码，可以在preprocessor.py下面看，最后都通过preprocess函数 arg_names = f...
使用BEGAN生成美女图片
天才
12-03 1586
使用BEGAN生成美女图片1.数据准备 百度图库，下载几千张美女的图片，爬虫代码会放在附录里面。 2.GAN 其中网络训练的时候使D可以判别数据是来自真实样本或者来自生成数据。训练网络G使得D(G(x))变大（即使得D不能区分出数据是否来自训练集） 缺点：非常难以训练，DCGAN经常会崩溃。 3.BEGAN
供参考的the-gan-zoo，列出的GAN相关模型和论文
张荣
08-12 3635
想学习，更多的GAN相关的模型和论文，可参考https://github.com/hindupuravinash/the-gan-zoo 以下是来自该作者的 github上 整理的部分论文， 如果需要查看更多，请前往https://github.com/hindupuravinash/the-gan-zoo 3D-ED-GAN - 使用3D生成对抗网络和循环卷积网络进行形状修复 3D-...
对抗生成网络学习（六）——BEGAN实现不同人脸的生成(tensorflow实现)
QQ704630835的博客
11-06 8684
一、背景 BEGAN，即边界平衡GAN（Boundary Equilibrium GAN），是DavidBerthelot等人[1]于2017年03月提出的一种方法。传统的GAN是利用判别器去评估生成器生成的图片和真实图片的数据分布是否一致，而BEGAN则代替了这种概率估计的方法，作者认为只要分布之间的误差分布相近的话，那就可以认为这些分布相近。同时作者又对网络结构进行了改进，并取得了比较好的实...
BEGAN-边界均衡生成对抗网络-代码解读
WLB 的博客
10-28 1205
当前论文代码 首先注意： 不同点： 该论文的输入是噪音，鉴别器和生成器都是哑铃型结构， 相同点： 输出是一张图片，D都是用真实图像去比对. 已知信息 可见,是从main.py开始训练的.测试的时候,只需要将is_train设置为False,就可以指示进行训练。 代码解读(关键点:[G/D/总]Loss,[G,D]网络API) from config import get_config 超参数设置:在实际中,它应该是一个列表。 argarse.ArgumentParser.parse_known_args
Deep Photo Enhancer 基于GANs的非匹配图像增强
xiaoxifei的专栏
12-06 4091
当Cycle-GAN出来后，我当时就觉得会有一大波类似的东西出来，在CVPR18的会议上发的文章Deep Photo Enhancer: Unpaired Learning for Image Enhancement from Photographs with GANs 就是一种基于Cycle-GAN的往复互证思路做的模型，正好对我最近的工作可能有启发意义，因此写出来。本文的翻译工作在（https...
BAGAN pytorch
02-09
BAGAN（Boundary Aware Generative Adversarial Networks）是一种基于生成对抗网络（GAN）的图像生成模型，它在生成高质量图像的同时，还能保持图像的语义一致性和边界清晰度。BAGAN的目标是解决传统GAN模型在生成图像时容易出现模糊和语义不一致的问题。 BAGAN的核心思想是引入边界感知机制，通过在生成器和判别器中添加边界损失函数来约束生成图像的边界信息。具体来说，BAGAN使用了两个生成器：一个用于生成整个图像，另一个用于生成边界信息。这两个生成器通过共享参数来保持一致性。判别器则用于判断生成图像的真实性。 BAGAN的训练过程包括两个阶段：预训练和对抗训练。在预训练阶段，使用边界图像和真实图像进行监督学习，训练生成器和边界生成器。在对抗训练阶段，使用生成器和判别器进行对抗学习，优化生成器的生成能力和判别器的判别能力。 BAGAN的优点是能够生成高质量、语义一致且边界清晰的图像。它在多个图像生成任务上都取得了良好的效果，如人脸生成、物体生成等。 关于BAGAN的PyTorch实现，你可以在GitHub上找到一些开源的代码和项目，例如"Boundary-Aware-Generative-Adversarial-Networks"。这些项目提供了BAGAN的PyTorch实现代码和相关的训练和测试脚本，你可以参考和使用它们来进行实验和应用。
评论 6
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值