数据增强原理及指导方法
发布时间
阅读量：
阅读量
一、数据增强产生的背景
在计算机视觉任务的处理过程中，深度学习网络取得了显著的成效。这类网络通常包含大量参数，因此需要借助充足的训练数据来完成参数的学习过程，以有效防止过拟合问题的发生。
为应对过拟合现象，当前所采用的处理方式主要划分为两个层面：
- 对模型架构的优化
- Dropout 正则化技术
- Batch Normalization 正则化技术
- 迁移学习策略
- 对数据集合的优化
数据增强（本部分重点讨论的内容）
数据增强是缓解过拟合问题的一种高效手段。其核心理念在于通过扩展原始数据集中的信息含量，从而构建出更加完整的数据集合，使训练集与验证集之间的差异得以缩小。
以图像分类任务为例，若目标是识别两种汽车类型。然而现有数据集中，福特品牌的车辆均朝左行驶，而雪佛兰品牌的车辆则全部朝右行驶。
还没有任何评论哟~