计算机与现代化JISUANJIYUXIANDAIHUA2023年第1期总第329期0引言随着人工神经网络的不断发展，深度学习这一人工智能重要领域有了更好的前景，其中图像识别与分类已经有了广泛的应用，包括人脸识别、停车场车牌识别、医疗图像分析、安防监控等［1］。但是当深度学习逐渐扩展到更多行业中时，其局限性也慢慢暴露出来：数据的不足会使深度学习与其他传统方法相比没有优势，甚至达不到其他传统方法取得的效果。这一局限性在图像识别与分类中，具体表现为数据集质量参差不齐、数据多样性不足、数据集类别不平衡等问题［2］。其中数据集类别不平衡问题较为常见且影响较大，表现为数据集中某几类样本的数据量较多，而另外几类样本的数据量较少，若人工神经网络采用此种数据集训练，最后的判别准确率会在某几类上出现明显的偏差。解决类别不平衡问题最直观、有效的方法是对数量少的样本图像进行扩充。传统的图像扩充方法主要依据计算机图形学相关理论，通过在几何变换方面对原始图像进行平移、缩放、旋转、仿射、透视；在图像增强方面对原始图像进行亮度、色度、对比度、锐度调整；在噪声方面对原始图像添加高斯噪声或椒盐噪声［3］。采用传统图像扩充方法可以在不增加无意义数据的同时简单快速地扩充样本图像数量，但在数据多样性提升方面效果不佳。近年来随着神经网络不断改进变革，涌现出了卷积神经网络、递归神经网络、深度神经网络等众多复杂的多节点网络模型，依托于此，诞生了生成对抗网络（GenerativeAdversarialNetworks，GANs）及其一文章编号：1006-2475（2023）01-0013-05基于NS-StyleGAN2的鱼类图像扩充方法李海涛，胡泽涛，张俊虎（青岛科技大学信息科学与技术学院，山东青岛266061）摘要：图像多分类领域中经常出现类别不平衡问题，这会对分类模型的学习训练产生负面影响。通过对样本数量较少的类别进行扩充可以有效解决类别不平衡问题。生成对抗网络作为近年来新兴的一种神经网络，输入真实图像样本训练可以输出与真实样本非常相似的生成样本。根据此特性，本文结合第二代样式生成对抗网络（StyleGAN2）的设计思想与鱼类图像的特点，设计一种噪声抑制样式生成对抗网络NS-StyleGAN2（Noise-SuppressedStyleGenerativeAdversarialNet⁃works2）。NS-StyleGN2去除了StyleGAN2合成网络中低分辨率层的噪声输入，从而抑制低分辨率层的噪声权重，使Style⁃GAN2生成样本细节特征更逼近真实样本特征。采用202张鲢鱼图像进行训练，本文提出的方法在起...
