基于MUNIT的数据增强方法研究

摘要

近年来深度学习和机器学习在图像分类上取得了重大的进展,但高效的网络训练需要巨量的数据支持.在只有少量数据的情况下,模型的表现十分糟糕.数据增强方法可以通过更加高效的使用已有的数据来减轻该问题.但通常的数据增强方法只通过裁剪,旋转等方法产生有限的可能有用的数据.针对这一问题,提出了一种基于MUNIT的数据增强方法,通过使用MUNIT基于已有的少量数据来生成新的数据.据实验结果表明,该方法可以生成具有相同内容但不同类别的新数据,将新的数据加入神经网络训练后,神经网络不会出现过拟合的情况而且分类的准确度有了一定程度上的提高.通过与传统的数据增强方法相比,该方法得到的结果更好,以此验证了该方法的可行性.