Tensorflow Object Detection API进行的数据扩充是否会产生比原始样本更多的样本？

Question

因此，假设我的原始原始数据集包含100张图像。我应用了random_horizontal_flip数据扩充功能，默认情况下它会以50％的概率水平翻转。因此，仅出于示例目的，可以说它翻转了100张图片中的50张。因此，

1. 这是否意味着我的算法现在将使用150张图像进行训练（100张原始图像和50张翻转版本），或者这意味着它仍将使用100张图像进行训练，但是其中50张将是原始图像的翻转版本？ / li>
2. 问题1的答案是否可以推广到Tensorflow对象检测API提供的所有数据增强选项？

我阅读了尽可能多的官方文档，并调查了preprocessor code，但找不到答案。

Answer 1

默认增强概率为50％，它独立地应用于每个图像。训练模型/算法的图像数量取决于时间段的数量。

• 假设您的批量大小为 1 ，并且纪元总数为 100 ： 您的算法将在100张图像上进行训练，其中50张将是原始图像的翻转版本。在这种情况下，由于您的时期太低，模型将看不到原始的50张图像。

• 假设您的批量大小为 1 ，纪元总数为 200 ： 您的算法将在200张图像上进行训练，其中100张将是原始图像的翻转版本。

因此，只要纪元大小不限制数据集（概率为50％），您就会看到一种效果，就好像您通过翻转每个项目使数据集翻了一番。

除了水平翻转外，如果还添加垂直翻转（random_vertical_flip），则数据集将增加三倍。