Extinderea datelor este o tehnică utilizată în învățarea profundă pentru a crește diversitatea datelor de formare fără a colecta date noi. Aceasta ajută la îmbunătățirea generalizării modelului și reduce suprapotrivirea. Acest ghid acoperă strategii și calcule comune implicate în creșterea datelor.

Strategii comune de extindere a datelor

Mai multe tehnici sunt folosite pentru a spori datele, în special în ceea ce privește sarcinile de procesare a imaginii. Aceste metode modifică datele existente pentru a crea noi, diferite eșantioane pentru formare.

  • Rotire imagini de un anumit grad.
  • Redimensionarea imaginilor în timp ce menţineţi raportul de aspect.
  • Flipping: Flips orizontale sau verticale.
  • Color Jitting:] Schimbarea luminozitate, contrast, sau saturație.
  • Cropping: Aleator sau centru de cultură pentru a se concentra pe diferite părți ale imaginii.

Calcule pentru mărirea datelor

Amplificarea datelor de punere în aplicare presupune calcularea probabilităţii şi amplorii transformărilor pentru a asigura diversitatea fără a compromite integritatea datelor.

De exemplu, dacă se aplică rotațiea în intervalul 0° - 30°, unghiul mediu de rotație poate fi calculat astfel:

Rotație medie = (Minim + Maxim) / 2 = (0° + 30°) / 2 = 15°

În mod similar, atunci când se aplică culturi aleatorii, dimensiunea culturilor poate fi determinată pe baza dimensiunii originale a imaginii și a procentajului de acoperire dorit.

Beneficiile extinderii datelor

Utilizarea tehnicilor de mărire a datelor poate duce la îmbunătăţirea performanţei modelului prin expunerea modelului la o varietate mai largă de date. De asemenea, ajută la reducerea supraadecvatităţii, în special atunci când datele de formare sunt limitate.