딥 학습을위한 데이터 확대

CNN을 사용하여 잔디 잡초 탐지 작업을하고 있습니다. 현재 2 개의 수업이 있으며 각 수업에는 18 개의 이미지가 있습니다. 데이터 확대 방법을 적용하여 CNN을 사용하도록 데이터 세트를 늘릴 수 있습니까? 얼마나 많은 데이터가 충분할 것인가?딥 학습을위한 데이터 확대

또한 CNN과 비교하여 CNN의 성능을 다른 방법보다 비교할 수 있습니까?

출처

2017-05-21 Addee

저는 작은 데이터 세트로 CNN을 시도하는 대신 다른 방법을 사용해야한다고 생각합니다. 데이터를 과도하게 맞추지 않으며 낮은 유효성 검사 정확도로 다른 것에 빠지게됩니다. 기능을 추출하고 분류 자로 피드 할 수있는 haar 및 cascade 메소드를 사용해 보시기 바랍니다. Haar와 계단식은 상당한 양의 정확도를 가진 신뢰할 수있는 방법입니다. 희망이 도움이됩니다! – blitu12345

당신이 똑바로 깊은 학습을 사용하려는 경우 일반적으로 클래스 (http://www.deeplearningbook.org/)로 5.000 이미지를 계획합니다. 미세 튜닝 (중간 샘플 수 ~ 1000) 또는 전송 학습 (낮은 수 샘플 ~ 100)을 사용하여이 수를 줄일 수 있습니다. 증가를 사용하기 전에 숫자입니다.

확실히 당신은 데이터 집합의 유효 크기를 늘리기 위해 확대를 사용할 수 있지만 적어도 100 개의 이미지를 갖는 것과 같지는 않습니다. 딥 학습은 매우 데이터 집약적이므로 18 가지 이미지에 적합하지 않습니다.

기타 방법은 대부분 수공예입니다. 당신은 돼지 기능과 같은 것을 할 수 있고 SVM/Boosting/Bagging/etc.과 같은 분류로서 다른 종류의 ML 기법을 사용할 수 있습니다.

출처

2017-05-21 08:17:02

좋아, 데이터 집합에 관해서 내가 이해 한 것은 적어도 100-200 개의 이미지를 가지고 데이터 증가를 적용하는 것이다. 그러나 그는 CNN과 비교했을 때 돼지가 도박을하고 있다고 언급 한 그의 이전 발언에서 가능하다고 생각하십니까? –

18 이미지 만 있으면 돼지와 svms가 더 나은 성능을 발휘할 것입니다. 전 신경 네트워크에서 돼지 기능을 사용 했었습니다. 90 % 대신 ~ 45 %의 정확도를 얻었고 현재 10 가지 클래스에 대한 40.000 가지 훈련 예제에 대한 심층 학습 모델이 있습니다. 이제 100 개 정도의 훈련 예제 만 사용했다면 정확도는 30 % 정도 였을 것입니다. –

아니요. 각 클래스의 14000 이미지의 증강 된 데이터에 적용되지 않았습니다. –

딥 학습을위한 데이터 확대

답변

관련 문제