本文通过实验分析了不同数据增强方法对模型训练过拟合的影响，包括随机镜像、随机抖动、上下翻转等。结果显示，增加数据集大小和使用特定的数据增强策略可以缓解过拟合现象，尤其是在200-400个epoch之间。然而，不恰当的数据增强可能会恶化模型在训练集上的表现。最终，采用随机镜像加上下翻转并在更大epoch下训练的模型在测试集上取得了较好的效果。
测试数据增强方法对模型训练过拟合的影响
- 中间挖个80*80的空白
-
- random_mirror——400
- random_mirror+random_jitter——400
- random_mirror+random_jitter——200
- random_mirror+add_ud(*2)——200
- random_mirror+add_ud(*2)——600
- random_mirror+add_ud+add_lr(*3)——200
- random_mirror+mirror_jitter+add_ud+add_lr(*3)——200
- random_mirror+add_ud+add_lr(*3)——100
- random_mirror+add_ud+add_lr(*3)——400
- 随机挖空
中间挖个80*80的空白
random_mirror——400
epoch:400
图像增强：随机镜像
损失函数图像：
训练集效果：
测试集效果：
random_mirror+random_jitter——400
epoch:400
图像增强：随机镜像+随机抖动
损失函数图像：
训练集效果：
测试集效果：
最低0.47元/天 解锁文章
扫一扫
1552
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
