DeepLearning深度学习上的图像增广(image augmentation)

Posted Taily老段

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了DeepLearning深度学习上的图像增广(image augmentation)相关的知识,希望对你有一定的参考价值。

图像增广(image augmentation)技术通过对训练图像做一系列随机改变,来产生相似但又不同的训练样本,从而扩大训练数据集的规模。

图像增广的另一种解释是,随机改变训练样本可以降低模型对某些属性的依赖,从而提高模型的泛化能力

简单说就是,通过一些技巧,让图像数据变多;

图像增广基于现有训练数据生成随机图像从而应对过拟合


常用的图像增广方法

1、翻转

翻转:左右翻转图像通常不改变物体的类别。最广泛使用的一种图像增广方法,一般采用图像左右翻转,上下翻转不如左右翻转通用;

2、裁剪

裁剪:通过对图像随机裁剪来让物体以不同的比例出现在图像的不同位置,这同样能够降低模型对目标位置的敏感性。

(池化层能降低卷积层对目标位置的敏感度)

3、变化颜色

改变图像的颜色:亮度、对比度、饱和度和色调。随机变化图像颜色;

亮度(brightness)、对比度(contrast)、饱和度(saturation)和色调(hue);

4、叠加多个图像增广方法

同时使用多个方法叠加来进行图像增广;

 

 

以上是关于DeepLearning深度学习上的图像增广(image augmentation)的主要内容,如果未能解决你的问题,请参考以下文章

深度学习——计算机视觉

深度学习基于深度学习的数据增广技术一览

关于DeepLearning的学习数据(jpeg)和嵌入式系统(原始)的区别

大盘点 | 基于深度学习的数据增广技术一览

06-01 DeepLearning-图像识别

DeepLearning.ai学习笔记卷积神经网络 -- week2深度卷积神经网络 实例探究