Validation 每个图像中都有大量对象实例的小数据集能否用于对象检测/分割培训？

例如，如果我试图在一张“Where's Waldo”图像中检测（并分割）人（每张图像中有数百人），并根据他们穿的衬衫的颜色给每个人贴上标签，是否需要一个小数据集（总共10-100张图像用于培训和验证）因为每个图像中都有这么多“对象”的实例（假设我使用COCO预先训练的权重），所以这就足够了吗？对于这些情况，拥有一个大数据集（>1000张图像）是否至关重要（假设您使用的是Mask R-CNN之类的检测分割算法）

从另一个角度看问题：

---

更重要的是，你训练分割算法的图像数量，或者整个数据集范围内可检测对象的实例数量？

这是一个好问题。如果你把这张照片放在一个基于颜色的分割（加上在上面的聚类以检测“对象”），你可能会得到更少的图像，因为这些聚类（“人”）通常是不同的

---

我还建议合并先验知识，而不是仅仅输入数据（因为数据较少）。如何使用高斯混合模型进行基于颜色的分割？像增量GMMs这样的集群技术是如何工作的？如果这些都不起作用，你可以尝试将它们与深度学习技术结合起来。一般来说，更少的数据=包含完成工作的先验知识

如果这不是一个基于颜色的分割问题，你还会建议合并先验知识吗？如果可能，合并一些先验知识是获得解决方案的好方法。如果这是一个研究项目，你试图在不考虑先验知识的情况下得出一个解决方案，那么，这是一个完全不同的游戏。同时考虑到你的数据较少，合并先验知识也不是一个坏方法。作为替代方案，您可以使用您拥有的少量（ish）数据点进行数据扩充，并查看网络是否至少超出了训练数据。然后你可以看到训练它所需的数据是多么少。