-
题名改进GAN的光化性角化病图像数据增强方法
- 1
-
-
作者
黄志伦
刘俊
郑萌
-
机构
武汉科技大学计算机科学与技术学院
智能信息处理与实时工业系统湖北省重点实验室(武汉科技大学)
武汉理工大学计算机科学与技术学院
-
出处
《计算机技术与发展》
2022年第9期36-42,50,共8页
-
基金
教育部科技基础工作专项项目(2014FY110900)。
-
文摘
针对传统网络应用于医学图像数据增强时出现的特征丢失和多样性不足的问题,提出一种基于能量的改进生成对抗网络模型。首先将简单的原始随机噪声输入高斯混合模型,尽管增加了少部分的计算量,但转换后具有潜在复杂分布的噪声能在一定程度上提升生成样本的类内多样性和类间多样性。然后在判别器部分把简单自编码器替换为U-Net状的变体网络,多层采样的过程可以增强对细节纹理的感知,进而提高生成图像的清晰度和特征还原。最后使用混合体驱动算法,按照加权参数逐步混合多个生成器,在迭代过程中弥补先前混合体的不足,提高生成模块的鲁棒性。在光化性角化病图像数据集上的实验结果表明,该网络训练生成的图像在弗雷歇初始距离上优于现有的WGAN(Wasserstein GAN)模型3.41。另外由于判别器可预训练的特性,收敛速度快于当前的WGAN。同时也在公开数据集MNIST和CelebA上验证改进生成对抗网络的有效性。
-
关键词
光化性角化病
生成对抗网络
数据增强
高斯混合模型
U-Net变体
混合体驱动
-
Keywords
actinic keratosis
generative adversarial networks
data augmentation
Gaussian mixed model
modification on U-Net
mixture boost
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名混合Boost算法实现的行人检测技术
被引量：3
- 2
-
-
作者
陈超
-
机构
内江师范学院数学与信息科学学院
-
出处
《计算机应用与软件》
北大核心
2019年第6期184-189,共6页
-
文摘
传统AdaBoost存在一定的局限,比如训练分类器时对训练样本自身所带的噪声过于敏感,产生的分类器泛化能力不强和导致分类器过拟化问题,在训练分类器时只能静态分配分类器权重而不能自适应地对每个训练样本动态调整权重等问题。提出一种基于SBoost算法和PBoost算法,引入样本权重调节器、非平衡的样本采样、误差纠偏方法来检测潜在的样本。模拟实验表明:改进后的技术有效的提高了分类器的精确度且防止过拟化问题。
-
关键词
Sboost算法
Pboost算法
混合
boost算法
动态权重调整
非平衡的样本采样
误差纠偏方法
-
Keywords
Sboost algorithm
Pboost algorithm
mixture boost algorithm
Dynamic weight adjustment
Unbalanced sample sampling
Error correction method
-
分类号
TP3
[自动化与计算机技术—计算机科学与技术]
-
