CN114004333B 一种基于多假类生成对抗网络的过采样方法 （桂林理工大学）_第1页
CN114004333B 一种基于多假类生成对抗网络的过采样方法 （桂林理工大学）_第2页
CN114004333B 一种基于多假类生成对抗网络的过采样方法 （桂林理工大学）_第3页
CN114004333B 一种基于多假类生成对抗网络的过采样方法 （桂林理工大学）_第4页
CN114004333B 一种基于多假类生成对抗网络的过采样方法 （桂林理工大学）_第5页
已阅读5页，还剩13页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

US2020034654A1,2020.01.30一种基于多假类生成对抗网络的过采样方法一种基于多假类生成对抗网络的过采样方码器初始化GAN中的生成器，帮助分别器更好的分类损失替换为焦点损失，使GAN在训练时更加侧重那些难于分对的样本；最后为训练后的GAN2(2.4)使用图片输入解码器，解码器输出均值和方差以后，根据均值和方差计算出噪(2.6)使用生成图片和原始图片的均方误差作为重构损失，噪声与标准正态分布的误述步骤(3)中使用变分自编码器中的解码器初始化生成器的权重，并搭建生成对抗网络模述步骤(4)中训练生成对抗网络模型的具体步(4.1)使用生成器生成随机标签图像，然后将真实图像数据集和生成图像数据集及其到分类损失cls_loss,根据有效值分数得到对抗损失adv(4.2)从正态分布中随机抽样出随机值α,使用生成图像减去真实图像得出插值diff,并计算出插值:真实图像+αxdiff,将插值和标签输入判别器并得到梯度grads，3同(4.1)一样的方式得到分类损失cls_loss和对抗损失adv_loss；将损失加权求和并更新述步骤(5)使用少数类标签和随机噪声作为网络输入，生成对应标签的少数类样本的具体(5.1)根据数据中每个小类的样本与大类样本数量的差值计算所需生成少数类样本的(5.2)将所需数量的噪声和少数类标签作为生成器的输入，生成对应标签的少数类样4[0004]因此，Douzas等人提出使用条件对抗网络(ConditionalGenerative[0008]多假类生成对抗网络(MultipleFakeClassGenerativeAdversarial5于相似(单一)且质量不高的问题，本发明提供一种基于多假类生成对抗网络的过采样方[0016](3)使用变分自编码器中的解码器初始化生成器的权重，并搭建生成对抗网络模[0030](2.6)使用生成图片和原始图片的均方6[0036](4.1)使用生成器生成随机标签图像，然出得到分类损失cls_loss,根据有效值分数得到对抗损[0037](4.2)从正态分布中随机抽样出随机值α,使用生成图像减去真实图像得出插值[0039](4.4)使用生成器生成随机[0042](5.1)根据数据中每个小类的样本与大类样本数量的差值计算所需生成少数类样[0043](5.2)将所需数量的噪声和少数7[0078]步骤601：根据数据中每个小类的样本与大类样本数量的差值计算所需生成少数8[0081]为了更好的说明本模型的有效性，通过对人工设置不平衡率为100的CIFAR-10数201.1

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论