Herausforderung
- Traditionelle Augmentierungstechniken wie Rotation, Skalierung und Translation sind nicht für alle Arten von Daten anwendbar
- Eine geringe Datensatzgröße behindert die DL-Entwicklungen
- Das Sammeln zusätzlicher Daten kann unerschwinglich teuer sein, insbesondere für spezialisierte Bereiche
Methodik
- cGANs zur Datenanreicherung:
- Verwendete bedingte generative Adversarial Networks (cGANs), um synthetische physiologische Daten zu generieren
- cGANs lernen die zugrunde liegende Datenverteilung und erstellen vielfältige und realistische Datenbeispiele
Ergebnis & Mehrwert
- Datenerweiterung:
- Erweiterung des ursprünglichen kleinen Datensatzes durch Generierung einer beträchtlichen Menge neuer, realistischer physiologischer Daten
- Verbesserte Modellleistung:
- Der erweiterte Datensatz verbesserte das Modelltraining, was zu einer verbesserten Vorhersagegenauigkeit und Generalisierung führte
- Kosteneffiziente Lösung:
- Reduzierung der Kosten und des Zeitaufwands für die manuelle Datenerfassung bei Erzielung vergleichbarer oder besserer Ergebnisse
Entdecken Sie mehr
Verwandte Projekte
Technology Consulting
Unsere Kompetenzen
Profitieren Sie von unserem breiten Kompetenzspektrum, fundiertem Wissen und einem hochqualifizierten und erfahrenen Consulting-Team.
