Geometric 변형은 기계 학습 모델에 대한 교육 데이터 세트의 다양성을 강화하기 위해 사용되는 이미지 augmentation에 필수적인 기술입니다. 다양한 작업을 통해 이미지를 수정하고 모델을 일반화하여 다른 시각적 시나리오에서 더 나은 모델을 돕습니다.

Geometric Transformations의 유형

일반적인 기하학적인 변화는 교체, 스케일링, 번역, 그리고 플립을 포함합니다. 각 가동은 화소의 공간 배열을 바꾸고, 본래 이미지의 새로운 변이를 창조합니다.

Transformations 적용 원리

형상 변환을 적용할 때 이미지 콘텐츠의 무결성을 유지하는 것이 중요합니다. 변환은 이미지의 과도하게 변하지 않도록 합리적인 제한 내에서 적용되어야하며, 이는 모델 교육에 부정적인 영향을 줄 수 있습니다.

변화의 조합을 고려하는 것이 중요합니다. 순차적 응용 프로그램은 다양한 낙태를 생산할 수 있지만, 관심은 이미지 기능의 재량 유지를 위해 취할 수 있어야합니다.

Image Augmentation에 대한 모범 사례

기하학적인 변화의 이점을 최적화하려면, 이 모범 사례를 따르십시오:

  • Limit 변환 매개변수: 비현상 이미지를 방지하기 위해 합리적인 각도, 스케일 및 이동을 사용합니다.
  • Apply 임의의 변환: 훈련 중에 무작위로 선택 변환 매개 변수에 의해 가변성을 도입.
  • ]내부 변화가 생각했습니다. 이미지 품질을 비교하지 않고 다양한 데이터 세트를 만들 수있는 다양한 작업이 혼합됩니다.
  • Maintain label 일관성: 이미지의 semantic 의미를 변경하지 않는 것을 보장한다.