数据增强与transfer learning
Data Augmentation
水平翻转(horizontal flips),镜像操作,是数据增强的常用操作;
随机裁剪(实际要检测的部分可能是被遮蔽的、或者光线强度不同、姿势不同等,所以训练时采用裁剪某个大小进行训练)
随机大小(大小变换,图像进行放大和缩小,不同大小的也要做随机的裁剪)。
其它增强:translation平移(一般给出平移范围),rotation旋转(范围),streching拉伸,shearing修剪;一般情况下都是随机组合这些操作用于增强处理。
Transfer Learning
在已有训练模型基础上,只做部分参数调整(一般在最后的全联接层)训练。因为很多模型已经成熟,且训练需要大量数据,所以在实际应用中多采用transfer learning方式。有非常相似的数据集且只有少量数据,可以使用transfer learning方式只对线性分类层(softmax全联接层)做训练,如果数据较多,可以采用微调一些层;如果找不到相似的数据集,且数据量又很少,那么不能采用transfer learning方式处理,需要对数据增强处理后再找相似模型,如果数据较多,可以选用模型后对多层进行微调处理。
参考数据模型:
【推荐】编程新体验,更懂你的AI,立即体验豆包MarsCode编程助手
【推荐】凌霞软件回馈社区,博客园 & 1Panel & Halo 联合会员上线
【推荐】抖音旗下AI助手豆包,你的智能百科全书,全免费不限次数
【推荐】轻量又高性能的 SSH 工具 IShell:AI 加持,快人一步