1. CES上的真实故事

2. 数据增强

增加一个已有数据集，使得有更多的多样性
- 在语言里加入各种不同的背景噪音
- 改变图片的颜色和形状

例如，我们可以以不同的方式裁剪图像，使感兴趣的对象出现在不同的位置，减少模型对于对象出现位置的依赖。我们还可以调整亮度、颜色等因素来降低模型对颜色的敏感度。可以说，图像增广技术对于AlexNet的成功是必不可少的。

3. 使用增强数据训练

可以把这个看做是正则项，只是作用在训练的时候。

4. 翻转

5. 切割

6. 颜色

7. 几十种其他的方法

8. 总结

数据增广通过变形数据来获取多样性从而使得模型泛化性能更好
常见图片增广包括翻转、切割、变色

9. 一些Q&A

Q1: 理论上，是不是如果原始样本足够多，就不用做增广？

A1：是的，但是实际上不存在这种情况。因为图片多不代表多样性好，所以增广在一定意义上是有用的。

Q2: num_worker的值是不是根据机器GPU性能而设定？

A2: 是的。

Q3: 请问图片增广后需要一张一张确认是否有效吗？

A3: 不用一张张确认，大概看一下就行，就像在jupter notebook上打印一下看看就行

Q4: 多张图片叠加，是不是也是一种有效的增广方式？

A4: 是的，有一种叫mix-up的方式。

Q5: 如何理解多样性增加，但是分布不变？

A5: 可以认为增广不能改变均值但能改变方差，让方差变更大了。

56. 数据增广 / 图像增广相关推荐

目标检测：数据预处理——图像增广
文章目录一.数据增多(图像增广) 主要作用: 数据预处理 **随机改变亮暗.对比度和颜色等** **随机填充** **随机裁剪** **随机缩放** **随机翻转** **随机打乱真实框排列顺序** ...
计算机视觉之图像增广(翻转、随机裁剪、颜色变化[亮度、对比度、饱和度、色调])
随着深度学习的进步和硬件的更新迭代,计算机视觉技术也得到了更大的提升,在计算机视觉领域,经常要训练深度学习的模型,而训练模型的最终目的是为了更好的应用到实际当中去,那就要解决一个精度问题和泛化能力,对 ...
《动手学深度学习》(六) -- 图像增广与微调
1 图像增广图像增广在对训练图像进行一系列的随机变化之后,生成相似但不同的训练样本,从而扩大了训练集的规模.此外,应用图像增广的原因是,随机改变训练样本可以减少模型对某些属性的依赖,从而提高模型的泛 ...
深度学习——图像增广
图像增广图像增广是对训练图像做一系列随机改变,来产生相似但又不同的训练样本,从而扩大训练数据集的规模.我们深知大型数据集是成功应用深度神经网络的先决条件.应用图像增广能够随机改变训练样本可以减小模型 ...
计算机视觉：数据预处理-图像增广方法
计算机视觉:数据预处理-图像增广方法数据预处理随机改变亮暗.对比度和颜色等随机填充随机裁剪随机缩放随机翻转随机打乱真实框排列顺序图像增广方法汇总批量数据读取与加速数据预处理在计算 ...
[pytorch、学习] - 9.1 图像增广
参考 9.1 图像增广在5.6节(深度卷积神经网络)里我们提过,大规模数据集是成功应用神经网络的前提.图像增广(image augmentation)技术通过对训练图像做一系列随机改变,来产生相似但 ...
y空间兑换代码_进行图像增广的15+种功能总结和Python代码实现
python代码可以自己扩充图像数据集. 无论我们喜欢Keras还是Pytorch,我们都可以使用丰富的资料库来有效地增广我们的图像. 但是如果遇到特殊情况: 我们的数据集结构复杂(例如3个输入图 ...
目标检测——图像增广
1 前言图像增广的根本目的是增加信息量.使模型获得高层语义信息,获得对问题有着更深的理解,从而提升准确率,(在客观上,因为丰富了信息量,所以也同时具有防止过拟合的作用). 图像增广和图像预处理不是相 ...
【图像增广库imgaug】官方文档翻译（一）：加载并增强图片
文章目录前言一.加载并增广一张图片二.加载并显示一张图片三.增强图像四.增强一组图像五.同时用很多增强图像技术六.增强不同尺寸的图片前言 imgaug是一个很好用的图像增广库.学习的最 ...

56. 数据增广 / 图像增广