Deep learning 生成；人工的；训练CNN的图像
我正在尝试识别不同类型的车辆和徽标等。由于在这一领域的大部分努力，挑战在于缺乏培训图像 有人试过生成人造图像吗？通过在（比如）汽车引擎盖、汽车后部的顶部“绘制”徽标，并进行变形（例如改变颜色、形状等），为其提供更加多样化的培训 这种方法是否有指导方针和/或最佳实践Deep learning 生成；人工的；训练CNN的图像,deep-learning,caffe,conv-neural-network,Deep Learning,Caffe,Conv Neural Network,我正在尝试识别不同类型的车辆和徽标等。由于在这一领域的大部分努力，挑战在于缺乏培训图像 有人试过生成人造图像吗？通过在（比如）汽车引擎盖、汽车后部的顶部“绘制”徽标，并进行变形（例如改变颜色、形状等），为其提供更加多样化的培训 这种方法是否有指导方针和/或最佳实践 编辑：投反对票的人，至少请评论一下你为什么投反对票，这样我才能了解。我不是想在这个论坛上捣乱，而是诚恳地问了一个问题。如果您不同意，请分享您的想法。数据增强是解决过度拟合问题的一种众所周知的技术。建议通过对原始训练图像执行这些扭曲来执
编辑：投反对票的人，至少请评论一下你为什么投反对票，这样我才能了解。我不是想在这个论坛上捣乱，而是诚恳地问了一个问题。如果您不同意，请分享您的想法。数据增强是解决过度拟合问题的一种众所周知的技术。建议通过对原始训练图像执行这些扭曲来执行此操作。这可以通过添加噪声、执行倾斜、旋转、裁剪随机窗口以及在这些窗口上进行训练来实现。这些只是一些例子 对生成的图像执行此操作不是最好的尝试，因为生成的图像不如可用的训练图像好
首先，它解释了AlexNet，并提到了他们使用的一些技巧，其中包括一些不错的数据增强。数据增强是解决过度拟合问题的一种众所周知的技术。建议通过对原始训练图像执行这些扭曲来执行此操作。这可以通过添加噪声、执行倾斜、旋转、裁剪随机窗口以及在这些窗口上进行训练来实现。这些只是一些例子。对生成的图像执行此操作不是最好的尝试，因为生成的图像不如可用的训练图像好。@mido-我对训练图像进行了一些失真，是否有提供最佳结果的失真类型的论文/样本。感谢您的帮助您可以从本文开始，它解释了AlexNet，并提到了他们使用的一些技巧，其中包括一些不错的数据扩充。如果这回答了您的问题，请告诉我，以便我可以将其作为解决方案发布。是的，谢谢@mido。请发帖回答。