原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
第46卷第11期电
子
与
信
息
学
报Vol.
46No.
11
2024年11月Journal
of
Electronics
Information
TechnologyNov.
2024
面向不平衡图像数据的对抗自编码器过采样算法
*
职为梅
常
智
卢俊华
耿正乾
(郑州大学计算机与人工智能学院
郑州
450001)
摘
要：许多适用于低维数据的传统不平衡学习算法在图像数据上的效果并不理想。基于生成对抗网络(GAN)的
过采样算法虽然可以生成高质量图像，但在类不平衡情况下容易产生模式崩溃问题。基于自编码器(AE)的过采样
算法容易训练，但生成的图像质量较低。为进一步提高过采样算法在不平衡图像中生成样本的质量和训练的稳定
性，该文基于生成对抗网络和自编码器的思想提出一种融合自编码器和生成对抗网络的过采样算法(BAEGAN)。
首先在自编码器中引入一个条件嵌入层，使用预训练的条件自编码器初始化GAN以稳定模型训练；然后改进判别
器的输出结构，引入一种融合焦点损失和梯度惩罚的损失函数以减轻类不平衡的影响；最后从潜在向量的分布映
射中使用合成少数类过采样技术(SMOTE)来生成高质量的图像。在4个图像数据集上的实验结果表明该算法在生
成图像质量和过采样后的分类性能上优于具有辅助分类器的条件生成对抗网络(ACGAN)、平衡生成对抗网络
(BAGAN)等过采样算法，能有效解决图像数据中的类不平衡问题。
关键词：不平衡图像数据；过采样；生成对抗网络；对抗自编码器；合成少数类过采样技术
中图分类号：TN911.73;
TP181文献标识码：A文章编号：1009-5896(2024)11-4208-11
DOI:
10.11999/JEIT240330
AdversarialAutoencodersOversamplingAlgorithmfor
ImbalancedImageData
ZHI
Weimei
CHANG
Zhi
LU
Junhua
GENG
Zhengqian
(SchoolofComputerandArtificialIntelligence,ZhengzhouUniversity,Zhengzhou450001,China)
Abstract:
Many
traditional
imbalanced
learning
algorithms
suitable
for
low-dimensional
data
do
not
perform
well
on
image
data.
Although
the
oversampling
algorithm
based
on
Generative
Adversarial
Networks
(GAN)
can
generate
high-quality
images,
it
is
prone
to
mode
collapse
in
the
case
of
class
imbalance.
Oversampling
algorithms
based
on
AutoEncoders
(AE)
are
easy
to
- 1.ppt制作及优化；2.办公模板制作；3.文案制作及优化。 + 关注
-
实名认证服务提供商
教师资格证、公共营养师持证人
本人专注ppt制作、办公模板编辑六年有余，可以根据客户需求做出高品质ppt、办公表格等模板，以及文案等。
文档评论（0）