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