A funcionalidade de pesquisa está em construção.
A funcionalidade de pesquisa está em construção.

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 Redes Adversariais Gerativas Condicionais de Wasserstein para Rebalanceamento de Conjuntos de Dados de Imagens Iris

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

  • Exibições de texto completo

    0

  • Cite isto

Resumo:

O recente desenvolvimento de modelos generativos baseados em aprendizagem profunda intensificou drasticamente o interesse na síntese de dados e suas aplicações. A síntese de dados assume uma importância adicional especialmente para algumas tarefas de reconhecimento de padrões nas quais algumas classes de dados são raras e difíceis de coletar. Em um conjunto de dados de íris, por exemplo, as amostras de classes minoritárias incluem imagens de olhos com óculos, pupilas superdimensionadas ou subdimensionadas, localizações desalinhadas da íris e íris obstruída ou contaminada por pálpebras, cílios ou reflexos de iluminação. Esses conjuntos de dados desequilibrados de classe geralmente resultam em desempenho de classificação tendencioso. As redes generativas adversárias (GANs) são uma das estruturas mais promissoras que aprendem a gerar dados sintéticos por meio de um jogo minimax para dois jogadores entre um gerador e um discriminador. Neste artigo, utilizamos a rede adversária geradora condicional Wasserstein de última geração com penalidade de gradiente (CWGAN-GP) para gerar a classe minoritária de imagens de íris, o que economiza enorme quantidade de custos de trabalho humano para coleta de dados raros. Com nosso modelo, o pesquisador pode gerar quantas imagens de íris de casos raros desejar e isso ajuda a desenvolver qualquer algoritmo de aprendizado profundo sempre que for necessário um grande tamanho de conjunto de dados.

Publicação
IEICE TRANSACTIONS on Information Vol.E104-D No.9 pp.1450-1458
Data de publicação
2021/09/01
Publicitada
2021/06/01
ISSN online
1745-1361
DOI
10.1587/transinf.2021EDP7079
Tipo de Manuscrito
PAPER
Categoria
Inteligência Artificial, Mineração de Dados

autores

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

Palavra-chave