文献类型：期刊文章

作　　者：陈文兵[1] 管正雄[1] 陈允杰[1]

CHEN Wenbing;GUAN Zhengxiong;CHEN Yunjie(School of Mathematics and Statistics,Nanjing University of Information Science&Technology,Nanjing Jiangsu 210044,China)

机构地区：[1]南京信息工程大学数学与统计学院,南京210044

出　　处：《计算机应用》

基　　金：国家自然科学基金资助项目(61672291);北极阁基金资助项目(BJG201504)~~

年　　份：2018

卷　　号：38

期　　号：11

起止页码：3305-3311

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD_E2017_2018、IC、INSPEC、JST、RCCSE、ZGKJHX、ZMATH、核心刊

摘　　要：深度卷积神经网络(CNN)在大规模带有标签的数据集训练下,训练后模型能够取得高的识别率或好的分类效果,而利用较小规模数据集训练CNN模型则通常出现过拟合现象。针对这一问题,提出了一种集成高斯混合模型(GMM)及条件生成式对抗网络(CGAN)的数据增强方法并记作GMM-CGAN。首先,通过围绕核心区域随机滑动采样的方法增加数据集样本数量;其次,假定噪声随机向量服从GMM描述的分布,将它作为CGAN生成器的初始输入,图像标签作为CGAN条件,训练CGAN以及GMM模型的参数;最后,利用已训练CGAN生成符合样本真实分布的新数据集。对包含12种雾型386个样本的天气形势图基准集利用GMM-CGAN方法进行数据增强,增强后的数据集样本数多达38600个,将该数据集训练的CNN模型与仅使用仿射变换增强的数据集及CGAN方法增强的数据集训练的CNN模型相比,实验结果表明,前者的平均分类正确率相较于后两个模型分别提高了18.2%及14.1%,达到89.1%。

关 键 词：图像分类 深度卷积神经网络  高斯混合模型 有条件对抗神经网络  数据增强算法  

分 类 号：TP391.41]