科研之友
微信
新浪微博
Facebook
分享链接
摘要
为了解决带钢小样本数据集在深度学习中出现的模式崩溃、图像模糊和错判等问题，提出了一种改进的ACGAN数据增强方法。首先，模型中引用带梯度惩罚项的Wasserstein距离作为损失函数，解决了模式崩溃和训练不稳定问题；其次，生成器网络中改进标签反卷积网络，使标签信息更好的贯穿整个生成网络，并在其末端设计了去噪结构，提高了生成图像质量；接着，判别器网络中引入级联融合思想，增强了网络判别能力；最后，将改进前后的模型在NEU带钢表面缺陷数据集和MNIST数据集上进行对比实验。结果表明：提出模型生成各类样本图像的清晰度、准确性明显提高了，并且客观指标FID的平均值在NEU带钢表面缺陷数据集上下降了15.8%，在MNIST数据集下降了73%。为带钢小样本数据集的扩充提供了一种新方法。
- 单位
