GAN论文1:Data Augmentation in Emotion Classification Using Generative Adversarial Networks论文笔记

GAN论文阅读1:Data Augmentation in Emotion Classification Using Generative Adversarial Networks

附论文链接:https://arxiv.org/abs/1711.00648
最近看了几篇GAN的论文,写一下每篇论文的大致思路以便自己日后查看。如有问题,请留言指正。

论文思路

这篇论文主要应用CyCleGAN生成数据,利用新生成的数据补充数据流型训练分类器,最后实验证明比之前的效果要好。但是有一定的数据局限性,应用CycleGAN必须有两个域的数据,论文中叫参考域和目标域,两个领域的数据要相近,比如自然状态下的人脸表情和带有情绪的人脸表情,可以实现互相的转换,从参考域生成目标域的图像。所以,这篇论文对于我们想利用GAN生成较少类数据训练分类器的目的来说帮助不大。下面简单介绍下论文中的框架结构。

利用neutral表情生成其他表情

论文的网络结构

在这里插入图片描述
论文主要有三点贡献:

  1. 通过使用GAN的数据增强技术提出了一个网络结构;
  2. 通过在三个基准数据集上有经验的学习,我们发现我们的新模型性能有了显著提高;
  3. 我们结合了LSGAN中的最小平方误差损失和CyCleGAN中的对抗损失,避免梯度消失的问题,在训练过程中这被验证是有效的。

论文结构如上图,其实就是CycleGAN+CNN(SVM)的组合,R和T分别是参考域和目标域的来自于原始数据集的抽样数据,目的是训练一个网络,最终能实现R到T的图片转换。CyCleGAN有两个生成器G,F和两个判别器D®和D(T),其中G可以实现R到T的转换,F实现T到R的转换,而且为了保持循环一致性,F(G®)≈R。这是典型的CyCleGAN模型。

最有意思的是论文中提出了Data Manifold概念,我之前没有接触过这个概念。对于不平衡的数据分类任务,分类器学习到的分类超平面或者说是分类边界与完整的数据流型差别还是很大的。最重要的解决方法是进一步补充和完善Data Manifold。如下图所示:b图是不平衡分布学习到的分类边界;c图是平衡分布学习到的。
b图是不平衡分布学习到的分类边界;c图是平衡分布学习到的

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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