深度学习的数据增强

Question

我正在使用CNN进行草杂草检测。我现在有2节课，每节课，我有18张照片。我可以应用数据增强方法来增加数据集以使用CNN吗？以及多少数据就足够了？

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？

Answer 1

如果你想直接进行深度学习，通常你计划按班级（http://www.deeplearningbook.org/）拍摄5.000张图像。您可以通过使用微调（中等数量的样本~1000）或转移学习（低数量样本~100）来减少此数字。这些是使用增强之前的数字。

当然，您可以使用扩充来增加数据集的有效大小，但这与至少拥有100个图像不同。深度学习是非常数据密集型的，因此不适合18个图像。

其他方法大多是手工制作的。你可以做一些像猪的功能，并使用任何其他ML技术作为分类，如SVM / Boosting / Bagging /等。

Answer 2

• 只有18张图片CNN会很好用但不会取得优异成绩
• 有18张图片，CNN有机会过度训练训练数据，因此您使用的CNN模型可能会很棘手
• 我建议使用HOG + SVM来解决这个问题，它们会很好地运行
• 但是如果您确实使用数据扩充，那么您的CNN将会表现出色
• 您可以使用keras.preprocessing.image.ImageDataGenerator为您生成数据。您只需指定要生成的图像数量
• 您还可以翻转18张图像并旋转图像并翻译图像以自行添加数据
• 要获得更复杂的图片增强功能，您可以参考 link