如何用小数据集训练神经网络或如何在没有人为干预的情况下制作庞大的数据集？

Question

我正在尝试使用RNN训练机器人进行特定操作，例如抓取或指向。 机器人由一个手臂和一个包含摄像头的头部组成。工作区也将是小桌子，以便可以定位手臂和物体。 递归神经网络的输入将是来自摄像机的每个步骤的图像帧，并且输出将是机器人臂的下一帧的目标电机角度。 当当前图像帧被馈送到网络时，网络输出下一帧的arm的电机值。当手臂到达下一个位置时，该位置的输入框架再次进入网络并再次产生下一个电机输出。

然而，在制作训练数据时，我必须为工作区上的所有位置制作（图像，电机角度）对的所有数据。虽然网络可以通过itselt进行一些泛化工作，但是所需的数据太多了，并且由于轨迹太多而需要很多时间。

概括我所遇到的问题，获取网络培训数据的时间太长了。有没有什么方法或方法可以用小尺寸数据集训练网络？或者在相对较小的人为干预中制作庞大的数据集？

Answer 1

我搜索了更多的论文，我发现了一些与该主题相关的内容。我的问题的主要议题是

1. 找到使用小尺寸数据集有效培训网络的方法
2. 找到通过小人力量制作庞大数据集的方法

有一些论文，其中两篇对我帮助很大。这是链接。

Explanation-Based Neural Network Learning for Robot Control

Supersizing Self-supervision: Learning to Grasp from 50K Tries and 700 Robot Hours

Answer 2

你的问题非常广泛，绝对不仅仅包括研究领域。这个问题在这个平台上无法回答，但是，我建议你在gitHub上查看这个compilation of Machine Learning Resources，特别是数据分析部分。

与您的问题相关的更具体的资源是DeepNeuralClassifier。