深度學習的數據增強

我正在使用CNN進行草雜草檢測。目前我有2節課，每節課有18節課。我可以應用數據增強方法來增加數據集以使用CNN嗎？多少數據就足夠了？深度學習的數據增強

另外，哪些方法可以與CNN比較，以顯示比其他方法更好的CNN性能？

2017-05-21 Addee

我認爲你應該採用其他方法，而不是用這麼小的數據集來嘗試CNN，你只會陷入過度擬合你的數據，而沒有其他的驗證準確性低下。我建議你嘗試一下哈爾和級聯方法，在這裏你可以提取特徵並饋入分類器。哈爾和級聯是可靠的方法，具有相當的準確性。希望這有助於！ – blitu12345

通常情況下，如果您想直接使用深度學習，您計劃按類別（http://www.deeplearningbook.org/）生成5.000張圖片。您可以通過使用微調（中等數量的樣本〜1000）或傳輸學習（低數量樣本〜100）來減少此數量。這些都是使用增強之前的數字。

當然，您可以使用增強來增加數據集的有效大小，但與具有至少100個圖像不同。深度學習非常密集，因此不適合18張圖片。

其他方法大多是手工製作的。你可以做一些像豬的功能，並使用任何其他ML技術，如SVM/Boosting/Bagging /等分類。

2017-05-21 08:17:02

好吧，關於數據集，我瞭解的是有至少100-200的圖像，然後應用數據增強。但在他早些時候的評論中，他提到，與CNN相比，生豬正在進行投注。是否有可能？ –

如果你只有18個圖像豬，svms可能會獲得更好的性能。我之前在神經網絡中使用了豬特徵，而我的準確率達到了45％，而不是90+，而目前的深度學習模型對於10個班的40.000個訓練樣例。現在，如果我只用了100個左右的訓練例子，精確度可能只有30％左右。 –

不，它已被應用於每個類中的14000個圖像的增強數據。 –

回答