Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
ATZ-Fachkongress

Chassis.tech plus 2024


4 Kongresse in einer Veranstaltung

Treffen Sie in München die Fachleute von Chassis, Lenkung, Bremsen sowie Reifen/Räder.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Experimental Study on the Forming Limit Curve of SECC Sheet Material Kapitel lesen Erstes Kapitel lesen

2024 | OriginalPaper | Buchkapitel

Generative Adversarial Network for Building Large Custom Dataset

verfasst von : Hoang Hong Hai

Erschienen in: Proceedings of the 3rd Annual International Conference on Material, Machines and Methods for Sustainable Development (MMMS2022)

Verlag: Springer Nature Switzerland

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Acquiring new and clean data is a crucial part of building a good machine learning model, especially in industrial fields, where the dataset is usually small and highly imbalance. In this study, we leverage Generative adversarial network (GAN) to extend and enhance our specific dataset by automatically generating and labeling new images. Our pipeline guarantees the success of the synthesis data by turning and stablizing the model’s parameters. Experimental results prove the extraordinary of our dataset in terms of quantitative and qualitative assessment.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel 6 DOF Robot Control with Object Detection Based on Deep Learning
Nächstes Kapitel A Robust Robot Correction System Using 6-Axis Force/Torque Sensor
Literatur
1.
A. Krizhevsky, I. Sutskever, G.E. Hinton, ImageNet Classification with Deep Convolutional Neural Networks (NIPS, 2012)
2.
K. Simonyan, A. Zisserman, Very Deep Convolutional Networks for Large-Scale Image Recognition. arXiv:​1409.​1556, [cs.CV] (2014)
3.
4.
5.
O. Ronneberger, P. Fischer, T. Brox, U-Net: Convolutional Networks for Biomedical Image Segmentation. arXiv:​1505.​04597, [cs.CV] (2015)
6.
7.
N. Srivastava, G. Hinton, A. Krizhevsky, I. Sutskever, R. Salakhutdinov, Dropout: a simple way to prevent neural networks from overfitting. J. Mach. Learn. Res. 15, 1929–1958 (2014)MathSciNet
8.
S. Ioffe, C. Szegedy, Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift. arXiv:​1502.​03167, [cs.LG] (2015)
9.
S. Ioffe, Batch Renormalization: Towards Reducing Minibatch Dependence in Batch-Normalized Models. arXiv:​1702.​03275, [cs.LG] (2017)
10.
11.
I. Goodfellow, J. Pouget-Abadie, M. Mirza, B. Xu, D. Warde-Farley, S. Ozair, A. Courville, Y. Bengio, Generative Adversarial Networks. arXiv:​1406.​2661, [stat.ML] (2014)
12.
A. Radford, L. Metz, S. Chintala, Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks. arXiv:​1511.​06434, [cs.LG] (2016)
13.
A. Brock, J. Donahue, K. Simonyan, Large Scale GAN Training for High Fidelity Natural Image Synthesis. arXiv:​1809.​11096, [cs.LG] (2018)
14.
H. Zhang, I. Goodfellow, D. Metaxas, A. Odena, Self-Attention Generative Adversarial Networks. arXiv:​1805.​08318, [stat.ML] (2018)
15.
H.H. Hai, Improvement for Convolution Neural Networks in Image Classification. Appl. Sci. (2021)
Metadaten
Titel
Generative Adversarial Network for Building Large Custom Dataset
verfasst von
Hoang Hong Hai
Copyright-Jahr
2024
Buch
Proceedings of the 3rd Annual International Conference on Material, Machines and Methods for Sustainable Development (MMMS2022)

Print ISBN: 978-3-031-57459-7

Electronic ISBN: 978-3-031-57460-3

Copyright-Jahr: 2024

DOI
https://doi.org/10.1007/978-3-031-57460-3_53