文档摘要

5.2 数据增强：给训练集注水还是赋能 GAN 用于数据增强的机制是：学真实数据的分布，再采样新样本扩充训练集，尤其服务稀缺类别的下游分类器训练。 它对传统增强（翻转、裁剪、色彩扰动）的优势在"分布级多样性"，风险在"模式污染"——把生成器的偏差灌进下游模型。本节设计一个可复算的对照实验说清两边。 应用现场第二站：训练集经济。深度模型的胃口与标注预算的矛盾是永恒痛点，稀缺类别（罕见病影像、小语种字符、故障样本）尤甚。 会员。《5.2 数据增强：给训练集注水还是赋能》收录于灏天文库文集《生成对抗网络 (GAN) 原理与应用》，原作者/来源：灏天文库，整理自「灏天文库」，提供技术教程、实践指南与问题解决方案，支持在线阅读、全文检索与知识沉淀，助力开发者系统化学习。本站整理收录，版权归原作者/开源协议所有。

该文档为会员专享，请先登录或注册后再查看

登录 注册

---

作者与出处

原作者： 灏天文库

来源：灏天文库

原文： https://aiknowledge.cn/collection/496-%E7%94%9F%E6%88%90%E5%AF%B9%E6%8A%97%E7%BD%91%E7%BB%9C-gan-%E5%8E%9F%E7%90%86%E4%B8%8E%E5%BA%94%E7%94%A8

整理： 灏天文库整理

由灏天文库平台收录，内容或由平台用户上传，仅供学习交流