Machine learning 使用不同大小噪声的单幅图像增强
仅使用一幅图像的噪声创建数据集是否可行？最近，我在这里询问了关于给图像添加噪声的问题。我知道卷积神经网络需要具有数千幅图像的数据集。然而，我的目标是只根据一张图像训练一个模型 我打算创建一个包含大约50张照片的数据集，只需在一张图像中添加不同级别的噪声。我能从中得到有用的结果吗 我假设这对于CNN来说可能是不可行的，但我认为如果我想使用Facenet，它会起作用 对于那些可能不知道Facenet是什么的人，可以使用triplet loss进行训练。它接收图像输入并输出嵌入。这种嵌入可用于计算距离度量（特别是L2/欧氏距离），其中较小的度量对应于相似性，较大的度量对应于不同的面。在LFW数据集上对其进行训练以概括面部特征Machine learning 使用不同大小噪声的单幅图像增强,machine-learning,image-processing,keras,computer-vision,data-augmentation,Machine Learning,Image Processing,Keras,Computer Vision,Data Augmentation,仅使用一幅图像的噪声创建数据集是否可行？最近，我在这里询问了关于给图像添加噪声的问题。我知道卷积神经网络需要具有数千幅图像的数据集。然而，我的目标是只根据一张图像训练一个模型 我打算创建一个包含大约50张照片的数据集，只需在一张图像中添加不同级别的噪声。我能从中得到有用的结果吗 我假设这对于CNN来说可能是不可行的，但我认为如果我想使用Facenet，它会起作用 对于那些可能不知道Facenet是什么的人，可以使用triplet loss进行训练。它接收图像输入并输出嵌入。这种嵌入可用于计算距离
正如我所说的，我认为用我的方法代替像LFW这样的数据集是愚蠢的，但我没有尝试过。但它是否可以用于创建不同但相似的嵌入？我正在尝试，但我想听听你们的想法。网络的目标是什么？如果你指的是我打算创建的内容，它打算从一张图像创建一个包含50多张图像的数据集。这个数据集与闭路电视摄像机的视频源一起使用来寻找目标人物。啊，我明白了。FaceNet的制造商做了一些噪声测试，测试了不同JPEG压缩级别的图像，网络表现良好。如果你使用迁移学习，我希望大多数有噪声的图像一开始会产生类似的嵌入。您的网络实际上是如何处理其50个图像数据集的？学习辨别噪音水平？因为如果它只对同一个人的图像进行训练，它将无法学会区分人脸。我正在训练我的网络（更像是SVM分类器）来识别单个人脸。如果检测到目标，我想创建一个绿色的边界框，否则所有非目标面都是红色的。如果我们假装我是FBI，我想在摄像头中找到你（斯奈德先生），但我只有一张照片，我想创建50多张不同的图像。这就是网络培训的内容，简单来说，它只是试图在人群中识别一个人。但你说过它不会把脸区分开来；你能澄清一下吗？我的目标是忽略除目标之外的所有其他面