Deep learning 什么样的动态人工数据增强可以应用于语义分割？
我分别有5223和577张用于训练和验证集的图像。我将CNN应用于图像分割，并希望进行人工动态数据增强。 我已经安装了Deep learning 什么样的动态人工数据增强可以应用于语义分割？,deep-learning,caffe,pycaffe,matcaffe,Deep Learning,Caffe,Pycaffe,Matcaffe,我分别有5223和577张用于训练和验证集的图像。我将CNN应用于图像分割，并希望进行人工动态数据增强。 我已经安装了Caffe。我想知道这个版本的Caffe是否支持数据扩充？ 如果是，你能为我分享一些资源吗？ 另一个问题是，无论何时我们进行人工数据扩充，我们是否应该根据扩充的规模改变时代？例如，如果我只应用镜像，我应该通过复制2来更改历元的大小吗 我认为旋转图像和改变像素强度（将图像像素值除以小于255的数字）可以做到，我在segnet上也做了同样的事情，但我没有提高质量，用你拥有的图像进行像
Caffe另一个问题是，无论何时我们进行人工数据扩充，我们是否应该根据扩充的规模改变时代？例如，如果我只应用镜像，我应该通过复制2来更改历元的大小吗 我认为旋转图像和改变像素强度（将图像像素值除以小于255的数字）可以做到，我在segnet上也做了同样的事情，但我没有提高质量，用你拥有的图像进行像素级分割就足够了，因为特征是在像素级而不是整个图像上学习的，因此，如果这些图像都是不同的，那么您就有足够的特性，但是您可能会考虑在模型精度上掉下来。stagnates@Eliethesaiyan非常感谢您的指导。我认为这还不够训练。我认为一般来说，像素级分割不需要太多图像，如果你看Camvid，他们只使用了400并获得了更好的结果…我认为最重要的是对象识别，对象可以有不同的形式，因为对象必须作为一个整体进行识别，而在分割中…每个像素都与相应的像素标签匹配…在我看来，模式没有那么重要…@Elitessaiyan非常感谢你再次强调。我认为旋转图像和改变像素强度（将图像像素值除以小于255的数字）可以做到，我在segnet上也做了同样的事情，但我没有提高质量，用你拥有的图像进行像素级分割就够了，我想因为特征是在像素级而不是整个图像上学习的，因此，如果这些图像都是不同的，那么您就有足够的特性，但是您可能会考虑在模型精度上掉下来。stagnates@Eliethesaiyan非常感谢您的指导。我认为这还不够训练。我认为一般来说，像素级分割不需要太多图像，如果你看Camvid，他们只使用了400并获得了更好的结果…我认为最重要的是对象识别，对象可以有不同的形式，因为对象必须作为一个整体进行识别，而在分割中…每个像素都与相应的像素标签匹配…在我看来，模式没有那么重要…@Elitessaiyan非常感谢你再一次。