基于生成对抗网络的图像类别不平衡问题数据扩充方法
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 引言 | 第9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 类别不平衡问题 | 第9-11页 |
| 1.2.2 生成对抗网络 | 第11-12页 |
| 1.3 主要工作和及本文安排 | 第12-14页 |
| 1.3.1 主要工作 | 第12-13页 |
| 1.3.2 本文安排 | 第13-14页 |
| 第二章 类别不平衡问题 | 第14-25页 |
| 2.1 类别不平衡问题的特征与分类 | 第14-15页 |
| 2.2 类别不平衡问题对分类任务的影响 | 第15-16页 |
| 2.3 类别不平衡问题的解决方法 | 第16-24页 |
| 2.3.1 样本采样技术 | 第16-20页 |
| 2.3.2 代价敏感学习技术 | 第20-22页 |
| 2.3.3 决策面补偿技术 | 第22-23页 |
| 2.3.4 集成技术 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 生成对抗网络 | 第25-35页 |
| 3.1 神经网络 | 第25-30页 |
| 3.1.1 神经元 | 第26-28页 |
| 3.1.2 深度神经网络 | 第28-29页 |
| 3.1.3 反向传播算法 | 第29-30页 |
| 3.2 生成对抗网络 | 第30-33页 |
| 3.2.1 生成器 | 第30-31页 |
| 3.2.2 判别器 | 第31页 |
| 3.2.3 训练过程 | 第31-33页 |
| 3.3 本章小结 | 第33-35页 |
| 第四章 基于生成对抗网络的图像数据扩充 | 第35-57页 |
| 4.1 CycleGAN模型 | 第35-43页 |
| 4.1.1 CycleGAN的设计思想 | 第35-37页 |
| 4.1.2 CycleGAN的具体实现 | 第37-43页 |
| 4.2 分类器 | 第43-48页 |
| 4.2.1 LeNet-5 | 第43-46页 |
| 4.2.2 VGG网络 | 第46-48页 |
| 4.3 实验流程与结果分析 | 第48-56页 |
| 4.3.1 实验数据集介绍 | 第48-49页 |
| 4.3.2 性能评价指标F1值 | 第49-50页 |
| 4.3.3 实验流程 | 第50-51页 |
| 4.3.4 实验结果与分析 | 第51-56页 |
| 4.4 本章小结 | 第56-57页 |
| 第五章 修正人工样本的底层噪声 | 第57-65页 |
| 5.1 底层噪声的影响 | 第57-59页 |
| 5.2 使用神经网络修正底层噪声 | 第59-61页 |
| 5.3 实验结果与分析 | 第61-64页 |
| 5.3.1 CIFAR10数据集 | 第62-64页 |
| 5.3.2 FER2013数据集 | 第64页 |
| 5.4 本章小结 | 第64-65页 |
| 总结与展望 | 第65-67页 |
| 本文工作总结 | 第65页 |
| 未来工作展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 攻读硕士学位期间取得的研究成果 | 第71-72页 |
| 致谢 | 第72-73页 |
| 附件 | 第73页 |
