Практическое руководство по увеличению данных в глубоком обучении: стратегии и расчеты

Увеличение данных — это метод, используемый в глубоком обучении для увеличения разнообразия данных обучения без сбора новых данных. Он помогает улучшить обобщение моделей и снижает переобучение. Это руководство охватывает общие стратегии и расчеты, связанные с увеличением данных.

Стратегии увеличения данных

Для увеличения объема данных, особенно в задачах обработки изображений, используется несколько методов, которые изменяют существующие данные для создания новых разнообразных образцов для обучения.

• Вращение: Вращение изображений в определённом диапазоне.
• Масштабирование: Изменение размера изображений при сохранении соотношения сторон.
• Переворачивание: Горизонтальные или вертикальные переворачивания.
• Цветовое джиттерирование: Изменение яркости, контрастности или насыщенности.
• Сканирование: Случайное или центральное обрезка, чтобы сосредоточиться на разных частях изображения.

Расчеты для увеличения данных

Внедрение расширения данных включает в себя расчет вероятности и степени преобразований для обеспечения разнообразия без ущерба для целостности данных.

Например, если приложить вращение в пределах от 0° до 30°, средний угол вращения можно рассчитать как:

Средняя вращение = (минимум + максимум) / 2 = (0° + 30°) / 2 = 15°

Аналогично, при применении случайного обрезки, размер урожая может быть определен на основе исходного размера изображения и желаемого процента покрытия.

Преимущества расширения данных

Использование методов увеличения данных может привести к повышению производительности модели, подвергая модель более широкому разнообразию данных. Это также помогает уменьшить переобучение, особенно когда данные обучения ограничены.