少数据量情况下的深度学习模型训练效果提升技巧

背景

在进行目标识别的过程中，获取大量的数据是一件比较困难的事，但好的模型往往是基于大的数据集训练而来的。数据量较少时，模型性能难以达到理想的状态。尤其是在做项目的过程中，用户上传的测试数据与我们用于训练的数据之间的差异难以把控，可能会因为一些不相干的因素（角度不同,模糊度不同，目标大小不同等）的干扰而导致识别的效果不够理想。因此，需要进一步的丰富训练数据的表现，从而提高模型的鲁棒性，达到更好的识别目标的目的。

核心技术与架构图

针对不同的数据，应根据数据和待识别目标的特点对数据集进行扩充，目前大多数目标识别框架都做了相关的数据扩充，但这些数据扩充的方式不一定适合自己的训练数据，因此要结合自己数据，避免重复和无意义的操作。