Application of Generative Adversarial Network to Recognition of Ship Targets

論文翻譯標題: 應用生成對抗網路於船型目標之辨識
  • 蔣 舒翔

學生論文: Doctoral Thesis

摘要

在人工智慧已經發展相當進步的今天,日常生活中已隨處可見相關應用。而在人工智慧中以深度學習最為突出,也成為了現今最為火熱的研究領域,隨著深度學習技術研究的進步,不僅解決了?多困難,甚至在一些應用領域上的表現已經超過了人類。然而在深度學習領域中,一直存在一個相當大的問題,那就是資料的取得。深度學習的效能好壞有很大的一部份是取決於提供的訓練資料的品質及數量,因此想要達到理想的成效的前提是需要取得大量的訓練資料,但在實際的應用中,資料的取得往往相當困難及費時和費力,而取得資料後也要考慮資料品質的問題。因此為了解決上述的問題的其中一個辦法就是使用數據增強(Data Augmentation)技術,所以在本文中將使用在深度學習領域中的生成對抗網路(Generative Adversarial Network,GAN),來進行數據增強,以此提高模型的效能。 生成對抗網路(Generative Adversarial Network,GAN)在2014年提出,是非監督式學習的一種方法。而生成對抗網路的提出解決了?多困難的難題,其中包含了上述的訓練資料取得的問題。生成對抗網路由生成網路(Generator)和鑑別網路(Discriminator)兩個神經網路所組成,隨著訓練,達到生成資料的效果。如今生成對抗網路的發展相當迅速,每年都會有多種的變種型生成對抗網路的提出,而在本研究使用了自己結合輔助分類器生成對抗網路(ACGAN)及WGAN-GP各自優點而組成的一種新的GAN架構WACGAN-GP,來進行數據增強。 文中分別對視覺影像(光學影像)的MNIST資料集、CIFAR-10資料集、船舶分類資料集和非視覺影像(合成孔徑雷達影像)的MSTAR資料集、OpenSARShip資料集兩種影像類別的五個資料集上做了實驗,在只有少量的訓練資料前提下,藉由生成對抗網路來生成資料,並添加到原訓練資料中進行數據增廣的動作,達到數據增強的效果,以此來提升影像辨識的準確率。而在實驗中也對於資料集中各類別數量相等與不相等的兩種情況做了探討並且也比較了論文中所提出的生成對抗網路數據增強方法和傳統數據增強(水平翻轉、垂直翻轉、水平加垂直翻轉)以及ACGAN的效果差異,最後研究結果顯示在進行生成對抗網路的數據增強後,辨識準確率均有不錯的提升,並且提升的效果也比傳統數據增強來的更好。
獎項日期2020
原文English
監督員Kun-Chou Lee (Supervisor)

引用此

'