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

---

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

---

关于数据集，我的理解是至少有100-200张图像，然后应用数据扩充。但在他早些时候的评论中，他提到与CNN相比，with hog的表现是博彩。。有可能吗？如果您只有18个图像，那么支持向量机和支持向量机可能会获得更好的性能。我以前确实在神经网络中使用过hog特征，我在10个班级的40000个训练示例中获得了45%的准确率，而不是当前深度学习模型的90%。现在，如果我只使用了100个左右的训练示例，准确率可能只有30%左右。没有，它已应用于每堂课14000张图像的增强数据。我无法证明CNN比传统方法更好，这就是为什么我使用了我自己的实验示例，我试着将它们相互比较，CNN的效果更好。HoG和Svm在处理少量（不太多样化）数据时效果更好吗？我认为你应该使用其他方法，而不是用这么小的数据集来尝试CNN，你只会陷入数据拟合过度，没有其他验证准确性低的情况。我建议您为此尝试haar和cascade方法，在这里您可以提取特征并输入分类器。Haar和cascades是可靠的方法，具有相当高的精确度。希望这能有所帮助！如果你上传一些这样的图片会更好。无论如何，您必须记住图像的变化，如亮度或其他。