数据增强后的数据量（机器学习笔记 – 使用 GAN 进行数据增强以进行缺陷检测）

一   
    
    
    
、用于数据增强的 GAN

在机器学习中   
    
    
    
，训练数据量不足往往会阻碍分类算法的性能    
    
    
    
。经验表明


     


     


     


     ，训练数据不足是常态 




 




 




 



，而不是例外   

   

   

   

，这就是为什么人们提出了数据增强方法    


     


     


     


。

我们可以使用数据增强

     

     

     

    ，例如稍微旋转或翻转原始数据以生成新的训练数据




 




 




 




 。但这当然不会给我们带来真正的新形象   

   

   

   
。

反过来
  




  




  




  


，GAN 确实输出了全新的图像     

     

     

     

。您可能听说过 GAN 作为一种创建极其逼真的假图像和视频的手段（在“Deepfake    
    
    
    
”一词下广为流传）




  




  




  




 。正如最近的研究（例如Antoniou 等人 2017


     


     


     


     、Wang 等人 2018和Frid-Adar 等人 2018）所表明的  


  


  


  


，它们还可以通过生成额外的训练数据来提高机器学习分类器的性能
  


  


  


  
。

（1）工业应用

当我们处理稀缺的训练数据时 
     
     
     
   ，GAN 数据增强方法特别有前途     
     
     
     
。

想象一下

   




   




   




   

，我们想要训练一个机器学习模型来识别工业生产流程中的缺陷组件 




   




   




   




 。希望缺陷很少发生；但这也意味着我们可能只有少量图像显示出典型的缺陷来训练网络

 



 



 



 
。

使用 GAN 



 



 



 



，我们可以为任何给定的缺陷类型生成额外的图像                    。

（2）数据

我们使用NEU 表面缺陷数据库                   ，其中包含 300