Data augmentation method using generative adversarial networks

Кир’янов, А. Ю.; Чайковський, О. І.; Волокита, А. М.; Луцький, Г. М.

Головна сторінка IRChNUT
→
ПЕРІОДИЧНІ ВИДАННЯ НУ «Чернігівська політехніка»
→
Технічні науки та технології: науковий журнал
→
2021
→
Технічні науки та технології. – 2021. – №2 (24)
→
Перегляд матеріалів

dc.contributor.author	Чайковський, О. І.
dc.contributor.author	Волокита, А. М.
dc.contributor.author	Кир’янов, А. Ю.
dc.contributor.author	Луцький, Г. М.
dc.date.accessioned	2021-10-26T15:31:43Z
dc.date.available	2021-10-26T15:31:43Z
dc.date.issued	2021
dc.identifier.uri	http://ir.stu.cn.ua/123456789/24123
dc.description	Chaikovskyi, O. Data augmentation method using generative adversarial networks / О. Chaikovskyi, A. Volokyta, A. Kyrianov, H. Loutskii // Технічні науки та технології. – 2021. – № 2(24). – С. 83-91.	en_US
dc.description.abstract	The article discusses a data augmentation method based on generative adversarial networks to improve the accuracy of image classification by convolutional neural networks. A comparative analysis of the proposed method with classical image augmentation methods was performed.	en_US
dc.language.iso	en	en_US
dc.publisher	Чернігів : НУ «Чернігівська політехніка»	en_US
dc.relation.ispartofseries	Технічні науки та технології;№2(24)
dc.subject	data augmentation	en_US
dc.subject	generative adversarial networks	en_US
dc.subject	convolutional neural networks	en_US
dc.subject	аугментація даних	en_US
dc.subject	генеративні змагальні мережі	en_US
dc.subject	згорткові нейронні мережі	en_US
dc.title	Data augmentation method using generative adversarial networks	en_US
dc.title.alternative	Метод аугментації даних із використанням генеративних змагальних мереж	en_US
dc.type	Article	en_US
dc.description.abstractalt1	Велика кількість різноманітних даних є основою для побудови надійної моделі машинного навчання, адже це допомагає точніше узагальнити інформацію про поставлену задачу. Водночас існують галузі, де збір даних або неможливий, або потребує величезної кількості ресурсів. Наприклад, у медичній галузі дані пацієнтів захищені законами про конфіденційність та приватність інформації, через які їх пошук, зберігання та використання викликає великі проблеми. Сучасні системи машинного навчання вирішують цю проблему методами генерації синтетичних даних. У статті розглянуто розробку методу аугментації даних на базі генеративних змагальних мереж. Важливим етапом побудови точної моделі машинного навчання є пошук та анотація даних, які будуть використовуватися для навчання та тестування точності роботи нейронної мережі. Від кількості зібраних даних залежить точність та стабільність роботи мережі в реальних умовах. У статті пропонується метод для підвищення точності класифікації зображень згортковими нейронними мережами на базі аугментації даних із використанням генеративних змагальних мереж. Нині добре описано та проаналізовано такі методи аугментації зображень, як поворот на деякий випадковий кут, стиснення та розтягнення по вертикалі й горизонталі, зміщення, дзеркальне відображення. Також наявні роботи, що розглядають внесення реалістичної деформації в зображення та генерації нових векторів ознак на базі декількох сусідніх зразків. Нерозглянутими на даний момент залишаються можливості використання генеративних змагальних мереж у задачі аугментації даних. Описано метод аугментації зображень із використанням генеративних змагальних мереж для підвищення точності роботи згорткових нейронних мереж, проведено порівняльний аналіз запропонованого методу з класичними методами аугментації зображень. Виділено основні переваги та недоліки запропонованого методу аугментації даних, висунуто плани щодо подальших досліджень.	en_US