乙個同學在做人臉的微表情識別，資料集太小，有沒有可能利用對抗生成網路生成一些資料集作訓練用？

1樓：桂冬冬

覺得可能性比較小。準確來講，GAN只是一種新型的訓練方法，只是其在構成上包含了乙個鑑別模型和生成模型。如果我們期望生成的資料質量較高，那麼鑑別模型和生成模型就需要具備強大的表徵能力，這往往就需要它們均是深度學習模型。

然而，深度學習模型本身就需要大量的樣本驅動，可我們正是由於樣本數量不足才考慮GAN的。可以看出，這是乙個矛盾，因此在小樣本情況下使用GAN並不太可行。

2樓：NX-8MAA09148HY

用GAN做data augmentation我有個在滴滴的師弟做過，如果你本身的資料足夠多(至少別太少)，生成出來的樣本質量非常高的話，discriminator可能對正式的訓練有點幫助，但不幸的是，要做到前面這幾點達到要求不太實際

3樓：晚照

這種想法看似合理，但是據我所知，往往效果不好。究其原因，我們做資料增廣的根本目的，不是單純要加大訓練集樣本的數目，而是要加大訓練集中有意義樣本的數目，什麼叫有意義樣本的數目呢？就是希望增廣的那部分樣本和原來的訓練集樣本能夠有些不一樣，簡而言之，要擴大訓練集的多樣性。

據我所知，GAN的輸出正是對原來輸入的模仿，這用來做資料增廣有可能反而導致效果不好。

至於題主說的這種情況要做資料增廣的話，可以考慮影象上下翻轉，左右翻轉，某種仿射變換等等，可能效果還更好點。

水平有限，錯了勿怪。