D2S-DiffGAN:在有限的标记样本下,一种新的图像分类模型
Youming Li1, Wenguang Long1, Liqiang Zhang1
1School of Artificial Intelligence, Neijiang Normal University, Sichuan, 641100, China.
Scientific reports
|October 14, 2025
概括
这项研究介绍了D2S-DiffGAN,这是一种用于用有限数据进行图像分类的新型深度学习模型. 它通过结合频域约束和差异化损失函数来增强生成对抗网络 (GAN),以提高样本生成和分类准确性.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 数据稀缺是图像分类中的深度学习的主要限制.
- 现有的生成对抗网络 (GAN) 模型主要关注空间域特征,忽视频率域信息.
- 当前的模型往往无法在培训期间区分真实和生成样本的贡献.
研究的目的:
- 提出一个完全监督的图像分类模型 (D2S-DiffGAN),在有限的标记样本下有效.
- 通过结合空间和频率域限制来增强数据生成.
- 通过使用差异化损失函数来改进模型训练.
主要方法:
- 开发了一种双域同步GAN (DDSGAN),通过限制空间和频率域来生成多样化和现实的样本.
- 设计了一个带有注意模块的多分支特征提取网络 (MBFE),以捕获和融合多维特征.
- 建议使用差异化损失函数 (DIFF) 来给真实样本和生成样本分配不同的权重.
主要成果:
- 尽管标记样本有限,但D2S-DiffGAN模型在SVHN和CIFAR-10数据集上实现了良好的分类准确性.
- DDSGAN有效地生成了具有视觉现实主义和一致的频域能量分布的样本.
- MBFE和DIFF组件有助于增强特征表示和优化模型训练.
结论:
- 拟议的D2S-DiffGAN模型在使用有限的标记数据进行图像分类任务时表现出显著的有效性.
- 整合双域生成和差异化损失函数为深度学习中克服数据稀缺挑战提供了一个有希望的方法.
- 该模型利用空间和频域信息的能力提高了生成数据的质量和分类性能.
