Fungsi carian sedang dalam pembinaan.
Fungsi carian sedang dalam pembinaan.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Conditional Wasserstein Generative Adversarial Networks for Rebalancing Iris Image Datasets Rangkaian Adversarial Generatif Wasserstein Bersyarat untuk Mengimbangi Semula Set Data Imej Iris

Yung-Hui LI, Muhammad Saqlain ASLAM, Latifa Nabila HARFIYA, Ching-Chun CHANG

  • pandangan teks lengkap

    0

  • Petikan Ini

Ringkasan:

Perkembangan terbaru model generatif berasaskan pembelajaran mendalam telah meningkatkan minat dalam sintesis data dan aplikasinya dengan ketara. Sintesis data mengambil kepentingan tambahan terutamanya untuk beberapa tugas pengecaman corak di mana beberapa kelas data jarang dan sukar untuk dikumpulkan. Dalam set data iris, contohnya, sampel kelas minoriti termasuk imej mata dengan cermin mata, murid bersaiz besar atau kecil, lokasi iris tidak sejajar dan iris tersumbat atau tercemar oleh kelopak mata, bulu mata atau pantulan pencahayaan. Set data tidak seimbang kelas sedemikian sering mengakibatkan prestasi pengelasan berat sebelah. Rangkaian musuh generatif (GAN) ialah salah satu rangka kerja yang paling menjanjikan yang belajar menjana data sintetik melalui permainan minimax dua pemain antara penjana dan diskriminator. Dalam makalah ini, kami menggunakan rangkaian musuh generatif Wasserstein bersyarat terkini dengan penalti kecerunan (CWGAN-GP) untuk menjana kelas minoriti imej iris yang menjimatkan sejumlah besar kos tenaga manusia untuk pengumpulan data yang jarang berlaku. Dengan model kami, penyelidik boleh menjana seberapa banyak imej iris bagi kes yang jarang berlaku seperti yang mereka mahu dan ia membantu membangunkan sebarang algoritma pembelajaran mendalam apabila set data saiz besar diperlukan.

Jawatankuasa
IEICE TRANSACTIONS on Information Vol.E104-D No.9 pp.1450-1458
Tarikh penerbitan
2021/09/01
Diumumkan
2021/06/01
ISSN dalam talian
1745-1361
DOI
10.1587/transinf.2021EDP7079
Jenis Manuskrip
PAPER
kategori
Kecerdasan Buatan, Perlombongan Data

Pengarang

Yung-Hui LI
  National Central University,Hon Hai Research Institute
Muhammad Saqlain ASLAM
  National Central University
Latifa Nabila HARFIYA
  National Central University
Ching-Chun CHANG
  University of Warwick

Kata kunci

Contents [show]