심층 학습 기반 이미지 분류 모델을 학습하기 위해 많은 양의 데이터 세트를 준비하려면 일반적으로 이미지 보강 방법을 사용해야합니다. 나는 일반적인 이미지 확대 알고리즘이 무엇인지 알고 싶습니다. 선택할 때 고려해야 할 사항이 있습니까?심화 학습 학습 준비를위한 이미지 보강 알고리즘
0
A
답변
1
데이터 보강에 관한 내용은 매우 커서 응용 프로그램의 종류에 따라 크게 달라집니다. 은하 경쟁의 회전과 Jasper Snoeke의 데이터 증가에 대해 가장 먼저 생각해 봅니다.
그러나 실제로 모든 논문에는 이미지를 특정 크기로 늘이기위한 특정 데이터 세트의 특수 데이터 세트에 대해 좋은 점수를 얻으려는 트릭이 있습니다.
CIFAR 또는 IMAGENET 등의 모델을 실제로 연습하려면 랜덤 작물과 무작위 대조, 광도 섭동을 명백한 플립 및 잡음 추가에 사용하십시오.
TF 웹 사이트의 CIFAR-10 튜토리얼을 살펴보십시오. 좋은 시작입니다. 플러스 TF는 이제 random_crop_and_resize()
으로 매우 유용합니다.
0
그것은 당신이 해결해야 할 문제에 따라 다르지만 대부분의 시간을 당신이 할 수 있습니다
- 는
- 이미지 (X 또는 Y 대칭)
- 소음 추가 플립 이미지를 회전
- 이전의 모든 항목이 동시에 표시됩니다.
관련 문제
- 1. 보강 학습
- 2. 특정 보강 학습 알고리즘을 사용하는 경우는 언제입니까?
- 3. 백 트랙킹 알고리즘 학습
- 4. 기계 학습 - 분류 알고리즘
- 5. 알고리즘 학습 중 접근
- 6. 기계 학습 알고리즘 선택
- 7. 기계 학습 알고리즘 평가
- 8. 가변 작업으로 학습 강화 학습
- 9. Find-S 개념 학습 알고리즘
- 10. 사용자 입력에서 "학습"하는 알고리즘
- 11. iOS에서 기계 학습 알고리즘 구현
- 12. 문맥을 고려한 기계 학습 알고리즘
- 13. 데이터 분류를위한 기계 학습 알고리즘.
- 14. 새 언어 학습 학습
- 15. 학습 프롤로그에서의 학습
- 16. 기계 학습 이미지
- 17. 작은 데이터를위한 최상의 감시 학습 알고리즘
- 18. CPU 학습 단계별 학습 과정
- 19. 기계 학습 사례 기반 학습
- 20. Azure Machine의 학습 능력 향상 학습 공간
- 21. Java EE 6 학습 자료
- 22. 피어 투 피어 노드를위한 기계 학습 알고리즘
- 23. 실내 온도 예측을위한 기계 학습 알고리즘
- 24. 감정 분석을위한 기계 학습 알고리즘 작업
- 25. 알려진 이벤트를 인식하는 Python 머신 학습 알고리즘
- 26. 연속적으로 계속되는 강화 학습 방법
- 27. GATE 도구로 기계 학습
- 28. 학습 분해
- 29. 보관 학습
- 30. 퍼셉트론 학습