基于MUNIT的数据增强方法研究

丁柏楠， 王淏， 袁文翠， 吴圣洁

(1.东北石油大学 计算机与信息技术学院，黑龙江 大庆 163319;2.吉林大学 物理学院，吉林 长春 130012)

0 引言

在过去的几年里，深度神经网络在具有充足数据的情况下在多种任务上取得了举世瞩目的进展。它已经被运用到了各个领域，例如图像分类、机器翻译、自然语言处理、图像合成、语音处理等。无论在哪个领域，都必须使用巨量的数据来训练网络获得令人满意的结果。但在很多现实情况下，一些数据难以收集，或是收集大量数据的代价过于高昂，因此需要在有限的数据下达到期望的目标。而数据不足会导致神经网络在训练集上出现过拟合，在测试集上出现较差的泛化能力的情况。

近些年，有许多技术被开发出来帮助对抗训练时的过拟合问题，例如Dropout、Batch Normalization、Layer Normalization等方法。但在样本过少的训练中，即使使用了这些方法，也不能显著地提升网络训练的稳定性。故为了应对小样本数据集训练问题，一个主要措施就是数据增强方法。

数据增强[1]方法通常用于处理分类问题，通过合成或者转换的方式, 从已有的数据中生成新的数据，目前图像领域的数据增强技术分为两种，一种是有监督的数据增强方法，采用预设的数据变换规则，例如随机旋转、随机裁剪、色彩抖动、添加高斯噪声等，但这些改变只局限于当前标签类别，没有从根本上解决数据不足的问题。另一种是无监督的数据增强方法，通过使用模型学习现有数据的分布，生成与训练数据集分布一致的数据，例如基于生成对抗网络的数据增强方法[2]。……