Guia prático para o aumento de dados em aprendizagem profunda: estratégias e cálculos
O aumento de dados é uma técnica utilizada na aprendizagem profunda para aumentar a diversidade de dados de treinamento sem coletar novos dados. Ajuda a melhorar a generalização do modelo e reduz o excesso de ajuste. Este guia abrange estratégias e cálculos comuns envolvidos no aumento de dados.
Estratégias comuns de aumento de dados
Várias técnicas são usadas para aumentar os dados, especialmente em tarefas de processamento de imagens. Estes métodos modificam os dados existentes para criar novas e variadas amostras para treinamento.
- Rotação: Imagens rotativas por um certo intervalo de graus.
- Scaling: Redimensionando as imagens mantendo a relação de aspecto.
- Flipping: Flips horizontais ou verticais.
- Cor Jttering: Mudança de brilho, contraste ou saturação.
- Cropping: Corte aleatório ou central para focar em diferentes partes da imagem.
Cálculos para aumento de dados
A implementação do aumento de dados envolve o cálculo da probabilidade e extensão das transformações para garantir a diversidade sem comprometer a integridade dos dados.
Por exemplo, se se aplicar uma rotação dentro de um intervalo de 0° a 30°, o ângulo de rotação médio pode ser calculado como:
Rotação média = (Mínimo + Máximo) / 2 = (0° + 30°) / 2 = 15°
Da mesma forma, quando se aplica o cultivo aleatório, o tamanho da cultura pode ser determinado com base no tamanho da imagem original e na porcentagem de cobertura desejada.
Benefícios da Aumentação de Dados
O uso de técnicas de aumento de dados pode levar a uma melhoria do desempenho do modelo, expondo o modelo a uma maior variedade de dados. Também ajuda na redução da sobreposição, especialmente quando os dados de treinamento são limitados.