之前看到一个帖子，用GAN来生成图像来扩充数据集应该是可行的

GAN接触比较少，效果不清楚怎么样。100张图像如果不能完全表示真实数据的分布，用GAN根据给定某类型的分布来生成分布后，也很难去逼近真实分布吧。。

数据集太少可以试一试迁移加上平移裁剪翻转扰动这些数据增强

只有100张图片的话可以在数据增强方面多做点

有用单张图片做GAN的。大意就是每次用图片的不同部分学习其像素的概率分布。单张无论是做数据增强还是分类都是挑战啊

100张的话，分类我觉得都得用预训练模型finetune

直接训练我觉得泛化能力堪忧

100张图片做GAN，我觉得大概率会模式崩溃。

GAN直接用于做数据增强的一个悖论就是，如果生成器能很好的拟合概率分布，那分类器应该也能。

如果100张图片分类器都分不好，GAN就更难拟合数据分布了。

如果有足够多的数据训练GAN，其生成的图片当然能用来训练分类网络。但何必多此一举呢？用原来的数据就能训练分类网络啊。而且我在MNIST手写字符集上试过，也没有提升分类效果。

以上只是个人不成熟的看法。我也看到过有在医疗领域用GAN做CT片数据增强的。所以随着掌握的信息越来越多，也许会找到好方法

现在用GAN做数据增强的也有一些特定场景的应用。比如行人重识别应用。用GAN，给图片中的行人生成不同衣装，生成不同时间等背景信息，生成不同摄像头光学特性的图片等

也有用在情绪识别应用中的。用那个名人人脸数据集生成各种表情，以丰富训练数据的。

还有，我讨论相关问题时，一位同学推荐看的水下目标识别的应用。那个应用里用GAN改善的水下照片的清晰度，也可视为一种数据增强吧。

总之，现阶段，我对GAN做数据增强的理解是：得认为的设计给数据做增强的域。解释下就是。原来有张穿白衣的行人，白天行走在街道上的照片。然后用GAN生成此行人穿各种衣装，在各种时空背景下的其他图片来补充数据集，才真正能够增强分类网络的泛化能力。这个道理也很显而易见。

人为设计给数据做增强的域

谢谢大家的回复，我本来是想实现拓展数据集然后再去训练分类器的，这样看来似乎不太可行。

这样的话就要考虑考虑别的方式方法了。

这段时间看了好多GAN的各种拓展，还没实操过，是想完成一篇课程的论文，各位大佬有推荐的选题吗？

不适合直接用，还是能用的。

可以看看这篇综述扩下思路

https://zhuanlan.zhihu.com/p/44654536