一种基于生成对抗网络的行为数据集扩展方法

深度学习作为人工神经网络的分支,在图像识别领域有广泛的应用,但其数据集的不足导致模型学习不够完善.通过对深度学习的数据规模要求进行分析,针对人体行为识别中的应用,发现人体数据集的采集工作是一个极具耗时耗力的工程,很难满足目前深度学习网络的需求.为了解决这一难题,提出了一种依靠原有的小规模数据集产生大量可靠数据集的半监督深度学习模型.通过将循环神经网络和生成式对抗网络相结合的方法使循环神经网络学习到数据的序列关系和特征,使生成式对抗网络产生合理数据进而扩展人体行为数据集.依靠该网络结构,可以很好地分析出采集数据的特征,并且依据这些特征可以生成大量的合理的数据,后经过数据处理等工作,形成可用于模型训练的可靠数据集,缓解了深度学习工作中数据集紧缺的问题.