在图像分类任务中，训练数据不足会带来什么问题？如何缓解数据量不足带来的问题？

知识点：

迁移学习（Transfer Learning),生成对抗网络，图像处理，上采样技术，数据扩充

 

 

一个模型所能提供的信息一般来源于2个方面，一是训练数据中蕴含的信息，二是在模型的形成过程中（包括构造，学习，推理等），人们提供的先验信息。当训练数据不足时，说明模型从原始数据中获取的信息比较少，这种情况下要保证模型的效果，就需要更多的先验信息。先验信息可以作用在模型上，例如让模型采用特定的内在结构，条件假设或添加其他一些约束条件；先验信息也可以直接作用在数据集上，即根据特定的先验假设去调整，变换或扩展训练数据，让其展现出更多的，更有用的信息，以利于后续模型的训练和学习。

 

在图像分类任务中，训练数据不足会带来什么问题？

具体到分类任务上，，训练数据不足带来的问题主要体现在过拟合方面。即模型在训练样本上的效果可能不错，但在测试数据集上泛化效果不佳。

 

如何缓解数据量不足带来的问题？

一是基于模型的方法，主要是采用降低过拟合风险的措施，包括简化模型 ， （将非线性模型简化为线性模型），添加约束项以缩小假设空间（L1/L2正则项），集成学习，Dropout超参数等。

二是基于数据的方法：主要通过数据扩充，即根据一些先验知识，在保持特定信息的前提下，对原始数据进行适当变换以达到扩充数据集的效果。

具体到图像分类任务重，在保持图像类别不变的前提下，可