基于条件生成对抗网络的图像增强方法

针对当前深度学习中常见的样本数据不足与数据分布不平衡问题,本研究提出利用条件生成对抗网络(Conditional Generative Adversarial Networks,CGAN)进行数据增强的方法,扩充原始数据集的数量及改善其分布均衡性。本研究在设计条件生成对抗网络的生成器与鉴别器时,引入标准化处理和LeakyReLU激活函数。将MNIST数据集(Mixed National Institute of Standards and Technology database,MNIST数据集)作为样本图像进行训练和样本生成实验。研究结果表明,通过引入标准化处理,可以有效地稳定数据在网络中的传播,加速模型收敛速度,并提升模型的学习效率。同时,采用LeakyReLU激活函数代替传统激活函数,能有效避免梯度消失的问题,进一步加快鉴别器损失值向0快速收敛、生成器损失值向1快速收敛的速度,显著提高生成样本的质量。