用于准备深度学习训练集的图像增强算法

Question

为了准备大量的数据集来训练基于深度学习的图像分类模型，我们通常不得不依赖图像增强方法。我想知道通常的图像增强算法是什么，在选择时有什么考虑因素吗？

Answer 1

数据扩充的文献非常大，非常依赖于您的应用程序类型。 我想到的第一件事是星系竞赛的旋转和Jasper Snoeke的数据增加。

但实际上所有论文都有自己的技巧可以在特殊数据集上获得好成绩，例如在裁剪之前将图像拉伸到特定尺寸或其他任何事情，并按照特定的顺序进行。

更实际的是，训练像CIFAR或IMAGENET这样的模型使用随机作物和随机对比度，亮度扰动以及明显的翻转和噪声添加。

看看TF网站上的CIFAR-10教程，这是一个好的开始。加上TF现在有random_crop_and_resize()，这非常有用。

编辑：我引用的论文here和there。

Answer 2

这取决于您必须解决的问题，但大部分时间都可以解决：

1. 旋转图像
2. 翻转图像（X或Y对称）
3. 添加噪音
4. 所有以前的同时。