La red generativa adversarial (GAN) tiene la ventaja de ajustarse a la distribucin de datos, por lo que puede lograr el aumento de datos ajustndose a la distribucin real y sintetizando datos de entrenamiento adicionales. De este modo, el modelo de convolucin profunda tambin se puede entrenar bien en el caso de utilizar un conjunto de datos de imgenes mdicas de muestra pequea. Sin embargo, todava existen ciertas diferencias entre las imgenes sintticas y las imgenes reales. Para reducir an ms estas diferencias, este artculo propone un mtodo que aplica SimGAN a la tarea de optimizacin de imgenes sintticas de resonancia magntica cardiaca. Mientras tanto, la estructura residual mejorada se utiliza para profundizar en la estructura de la red y mejorar el rendimiento del optimizador. Por ltimo, los experimentos mostrarn el buen resultado de nuestro mtodo de aumento de datos basado en GAN.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Problema de control multiobjetivo lineal-cuadrático: intervalo semi-infinito
Artículo:
Tendencias recientes en aspectos computacionales y teóricos en ecuaciones diferenciales y en diferencias.
Artículo:
Un Optimizador Híbrido de Lobo Gris Discreto para Resolver Problemas de Asignación de Objetivos de Armas
Artículo:
Estrategia óptima de pedido de bienes a múltiples precios minoristas bajo ventas simultáneas.
Artículo:
Caos semicuántico en dos puntos cuánticos de GaAs acoplados lineal y cuadráticamente por dos potenciales armónicos en dos dimensiones.