我目前正在构建一个深度学习模型来识别图像。根据我的阅读，数据增加（如随机裁剪图像）将减少模型的过度拟合。但是，我不确定如果过度这样做会导致更糟糕的模型。当然，我可以尝试更多裁剪和裁剪更少裁剪。但问题是如何才能知道问题是否来自作物的数量。
是否可以从尺寸为n x n的图像中制作尺寸为m x m的所有作物，从而提高模型的性能？
我相信它会。我的理由是：当我们训练深度学习模型时，我们会查看火车损失和验证损失并训练模型，直到损失非常低。假设最初我们有一组1000个图像的火车，模型需要100个时期来训练。现在，我们从原始火车组中裁剪出10倍的额外图像。现在可以将每个时期看作等同于先前模型中具有较少训练数据的10个时期。然而，与之前模型中的10倍重复相比，这10个时期的每个训练数据略有不同。当然，这将导致过度拟合。我的推理是否正确？
在这种情况下，假设我们有足够的计算资源，是否有裁剪所有可能较小尺寸图像的缺点？
目前我正在研究从72x72的图像中裁剪所有可能的64x64图像，这样每张原始图像总共会有64张新图像。
我还没有看到任何与之相关的论文。如果有人能指出我，我将不胜感激。感谢。
答案 0 :(得分：1)
回答你的问题，没有。它不会损害性能，但它会为一般过程增加几毫秒。也许你能得到的最佳答案是尝试不同的方法。
答案 1 :(得分：0)
根据我的实验，性能增益可以忽略不计，可能会导致过度拟合，因为会反复看到相似的图像。