陈佛计，朱 枫，吴清潇，郝颖明，王恩德

（1.中国科学院沈阳自动化研究所，沈阳 110016；2.中国科学院机器人与智能制造创新研究院，沈阳 110016；3.中国科学院大学，北京 100049；4.中国科学院光电信息处理重点实验室，沈阳 110016）

（*通信作者电子邮箱1754208529@qq.com）

0 引言

近年来，基于深度学习的方法在很多领域取得了良好的表现，但是很大程度上依赖于海量标数据。在某些条件下，标注红外数据很难获取，而且需要大量的人力成本。因此，针对红外数据少、数据难以获得的问题，基于现有的数据进行数据增强是一种比较好的、获取更多数据的方法。目前，数据增强的方法有两种：基于有监督的方式和基于无监督的方式。有监督方式的数据增强是采用预设的规则，在已有的数据上进行数据的扩增，包括几何变换类和颜色变换类等方法。但是，基于有监督方式进行数据增强并没有对数据集进行实质性的改变；而无监督数据增强是通过模型学习数据所服从的分布，随机生成与样本集分布一致的数据，该方法可以使得数据集覆盖更多的模式，更有利于提高模型的性能。生成模型是无监督学习任务中最为关键的技术，目前比较常用模型有基于有向图模型的赫姆霍兹机（Helmholtz Machines）［1］、深度信念网 络（Deep Belief Network，DBN）［2］、变分自动编码器（Variational Auto-Encoder，VAE）［3］；基于无向图模型的受限玻尔兹曼机（Restricted Boltzmann Machine，RBM）［4］、深度玻尔兹曼机（Deep Boltzmann Machine，DBM）［5］、自回归模型（AutoRegressive model，AR）［6］以及基于零和博弈的生成对抗网络（Generative Adversarial Network，GAN）［7］等。AR 和VAE是通过一种显示方式对数据进行建模，但是AR 是按照像素点去生成图像，导致计算成本太高，而且在并行性上受到限制，在处理大分辨率图像的时候有一定的困难。……