深度学习图片分类增强数据集的方法汇总

版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/weixin_37203756/article/details/80071299
1.随机切割,图片翻转,旋转,等等很多手段都可以增加训练集,提高泛化能力.
2. Resampling 或者增加噪声等等,人工合成更多的样本.
3.对小样本数据进行仿射变换、切割、旋转、加噪等各种处理,可以生成更多样本.
4.用GAN生成数据提供给数据集.
5.找个Imagenet数据集上训练好的的模型,冻结最后一层或者最后几层,然后迁移学习+fine tuning,图片数量少,做一些翻转,变化,剪切,白化等等.
6.
第一种思路是数据增强,也就是用随机应对随机。既然狗子的位置在照片中不固定,那就将原始的图片随机的裁剪一下,旋转一下,将图像的颜色做一些微调,总之就是想象一个熊孩子打开ps修改了每张狗子的照片,给你留下了一堆看起来和原始的训练数据差不多的照片作为新的训练集
7.
水平翻转Flip
随机裁剪、平移变换Crops/Scales

颜色、光照变换

最为常用的是:像素颜色抖动、旋转、剪切、随机裁剪、水平翻转、镜头拉伸和镜头矫正等。

展开阅读全文

没有更多推荐了,返回首页