数据集增强
常用的数据增强方法有:
平移(Shift)变换:对原始图片在图像平面内以某种方式(预先定义或者随机方式确定平移的步长、范围及其方向)进行平移。
翻转(Flip)变换:沿竖直或者水平方向对原始图片进行翻转。
随机裁剪(Random Crop):随机定义感兴趣区域以裁剪图像,相当于增加随机扰动。
噪声扰动(Noise):对图像随机添加高斯噪声或者椒盐噪声等。
对比度变换(Contrast):改变图像对比度,相当于在HSV空间中,保持色调分量H不变,而改变亮度分量V和饱和度S,用于模拟现实环境的光照变化。
缩放变换(Zoom):以设定的比例缩小或者放大图像。
尺度变换(Scale):与缩放变换有点类似,不过尺度变换的对象是图像内容而非图像本身(可以参考SIFT特征提取方法),构建图像金字塔以得到不同大小、模糊程度的图像。
设置模型训练参数
一般来说,超参数有:学习率,迭代次数,网络的层数,每层神经元的个数等等。
可以分为三类:网络结构(神经元数量),优化参数(优化器,学习率,衰减策略),正则化系数
学习率的调整太大,可能会不收敛,太小可能会训练得很慢,一般是使用warm_up的学习率衰减策略(刚开始设计的时候需要较大的学习率,随着学习的深入就逐渐下降学习率,但是不能小于0)。