Conditional Wasserstein Generative Adversarial Networks for Rebalancing Iris Image Datasets
Yung-Hui LI, Muhammad Saqlain ASLAM, Latifa Nabila HARFIYA, and Ching-Chun CHANG
摘要
最近基於深度學習生成模型的發展極大地增強了對資料的合成及其應用。在辨識任務中，資料合成具有額外的重要性，特別是對於某些少量且難以收集的資料。
在虹膜影像資料集中，較稀缺的樣本，例如：戴眼鏡的眼睛、瞳孔過大或過小、虹膜位置錯位以及被眼瞼、睫毛或燈光反射遮擋，以及被污染的虹膜影像，這種類別上不平衡的資料集通常會導致分類性能的負面影響。生成對抗網絡 (GAN) 是最有延伸性的網路框架之一，它通過生成器和判別器兩者之間的博弈來學習生成合成的數據。
在本文中，我們利用 CWGAN-GP 來生成稀缺的虹膜影像，從而節省人力成本在收集比例較低的資料上。使用我們的模型，研究人員可以根據需要，生成盡可能多的罕見虹膜影像，並且在需要大量資料集時有助於訓練任一種深度學習的演算法。