甘 岚，沈鸿飞，王 瑶，张跃进

（华东交通大学信息工程学院，南昌 330013）

（*通信作者电子邮箱15207112943@163.com）

0 引言

深度学习（Deep Learning，DL）［1］作为一种数据驱动技术，在样本充足的情况下能够取得很好的训练效果。而实际研究中更多的是小样本［2］数据，若直接将小样本数据代入深度学习训练，将会出现严重的过拟合问题。为了改善小样本数据在深度学习中的训练效果，需要对小样本数据进行处理，使其能够在深度学习中取得好的训练结果。

处理小样本的主要方法可以归为以下几点：1）统计学习理论（Statistic Learning Theory，SLT）［3］，SLT 是一种专门研究小样本学习规律的机器学习方法，但是STL 在实际实现时有计算困难、泛化性差等问题；2）神经网络（Neural Network，NN）［4］模型，NN是近几年比较流行的一种研究小样本方法，但NN对于数据的依赖性较强，需要大数量的样本才能有较好的结果；3）数据增强（Data Augmentation，DA）［5］，DA 的思想是通过对样本图像进行不同的变换，从而得到更多的样本，以此来提高样本的多样性。DA 相比前两种方法，拥有很好的泛化性，也被广泛用于小样本问题的研究，因此，本文采用DA 的方法对小样本数据进行处理。

DA 方法很多，如主成分分析（Principal Component Analysis，PCA）抖动［6］、随机裁剪［7-9］、翻转等。这些方法虽然能实现数据增强，但是其效果有限，因为这些方法局限于在原图的基础上进行变换，具有重复性，且数据分布单一。2014年Goodfellow 等［10］受博弈模型的启发提出生成对抗网络（Generative Adversarial Network，GAN）模型，随后其广泛应用在图像合成、超分辨率、DA等问题中。相比早期DA，GAN有了很大改进，主要表现在GAN脱离了原图的限制，通过一组随机噪声学习真实样本分布，生产新的样本数据，故GAN是解决小样本数据增强问题的有效方法。……