基于PolyLoss的StarGAN图像样本自生长研究

在深度学习模型训练中，提高输入样本数量能够有效解决样本不均衡和训练过拟合问题。为更好地处理数据集的小样本场景，提出了一种基于PolyLoss的StarGAN小样本图像增强方法（PolyStarGAN）。相比传统样本增强方法，该网络具有更高的样本学习、生成能力。该方法使用训练生成器和判别器提取图像的特征信息，生成图像与输入图像的内容和结构一致。通过计算峰值信噪比、结构相似性与视觉信息保真度3个方面评估PolyStarGAN网络生成结果；在ResNet50目标识别模型训练中验证数据集质量。实验结果表明，提出的模型对不同场景图像的增强效果较好，提高了自生长数据集的ResNet50模型识别精度，可为样本自生长中的小样本问题提供参考方案与技术支持。