Data Argmentation
使用数据增强可以有效防止过拟合,在数据源不足时尤为重要。在图像中,不管是图像平移、图像翻转,还是图像截取,都不会改变该图像的类别属性。有如下几种常见的数据增强的方式:
- 水平翻转
- 随机截取(范围):然后再缩放到CNN需要的图像大小作为新的训练集
- 颜色变化:改变图像对比度是可行的,但不常用。常用的方法是像素在RGB中选择较为强烈的方向进行颜色增强,相当于应用于像素的PCA。
- 转换、倾斜、伸缩、裁剪、扭曲等操作
Transfer Learning
一般认为训练CNN需要很多数据,但Transfer Learning(迁移学习)之后就改变了这个认知。当数据少的时候,可以使用其他网络(如VGG-16, RES-34等)对ImageNet数据集进行预训练,我们截取网络除(不要)最后一层分类层的结构直接运用到我们的网络上,这就相当于我们的网络已经大致完成了数据特征提取,再添加我们需要的线性分类器即可。该工作大致可以认为我们只需要训练自己的线性分类器,因此需要的数据就可以少一些。