Neural network 用于深度学习的数据扩充
我正在使用CNN进行杂草检测。目前我有2节课,每节课我有18张图片。我可以应用数据扩充方法来增加数据集以使用CNN吗?有多少数据足够Neural network 用于深度学习的数据扩充,neural-network,computer-vision,deep-learning,conv-neural-network,Neural Network,Computer Vision,Deep Learning,Conv Neural Network,我正在使用CNN进行杂草检测。目前我有2节课,每节课我有18张图片。我可以应用数据扩充方法来增加数据集以使用CNN吗?有多少数据足够 另外,我可以将哪些方法与CNN进行比较,以显示CNN比其他方法更好的性能?如果您想使用直接向上的深度学习,通常您计划按类()获得5000张图像。您可以使用微调(中等数量的样本~1000)或转移学习(低数量的样本~100)来减少此数量。这些都是使用增广之前的数字 当然,您可以使用增强来增加数据集的有效大小,但这与至少有100个图像不同。深度学习是数据密集型的,因此不
另外,我可以将哪些方法与CNN进行比较,以显示CNN比其他方法更好的性能?如果您想使用直接向上的深度学习,通常您计划按类()获得5000张图像。您可以使用微调(中等数量的样本~1000)或转移学习(低数量的样本~100)来减少此数量。这些都是使用增广之前的数字 当然,您可以使用增强来增加数据集的有效大小,但这与至少有100个图像不同。深度学习是数据密集型的,因此不适合18幅图像 其他方法大多是手工制作的。您可以做一些类似于hog特征的事情,并使用任何类型的其他ML技术,如SVM/Boosting/Bagging/等等。
- CNN只有18张图片,效果不错,但不会取得显著效果
- 对于18幅图像,CNN有可能过度拟合训练数据,因此您将使用哪种CNN模型可能比较棘手
- 我建议使用HOG+SVM解决这个问题,它们会表现得很好
- 但是如果你确实使用了数据增强,那么你的CNN将会取得显著的效果
- 您可以使用它为您生成数据。您只需指定要生成多少图像即可
- 您还可以翻转18幅图像,旋转图像并自行转换图像以增加数据
- 有关更复杂的图像增强,您可以参考此