改变训练的图像训练neural network
我目前正试图制定一个计划，根据其外观区分腐烂的橙子和食用橙子。 为了做到这一点，我正计划使用卷积neural network来训练腐烂的橙子和普通的橙子。 经过一番search，我只能find约一个数据库。 黑色背景上的150个橙子和150个普通橙子（ http://www.cofilab.com/downloads/ ）。 显然，一个机器学习模式将需要至less几千个桔子才能达到90％左右的精度。 但是，我可以通过某种方式改变这150个橙子来制作更多的橘子照片吗？ 通过改变，我的意思是在柑橘类水果上添加不同的橙色色调，以形成“不同的橙色”。 这是否是训练neural network的有效方法？
这是一个很好的方法来增加你的date数量。 你会做什么取决于你的数据。 例如，如果您正在训练从传感器获取的数据，则可能需要向训练数据添加一些噪音，以便增加数据集。 毕竟，以后可能会有一些噪音来自传感器。
假设你将在图像上进行训练，这是一个非常好的github存储库，提供了使用这些技术的手段。 这个python库可以帮助你增加机器学习项目的图像。 它将一组input图像转换成新的，更大的一组稍微变化的图像。 链接： https ： //github.com/aleju/imgaug
特征：
-
大多数标准的增强技术可用。
-
可以将技术应用于图像上的图像和关键点/地标。 在实验开始时定义一次扩增序列，然后应用多次。
-
为每个增强定义灵活的随机范围，例如，“将每个图像旋转-45到45度之间的值”或“通过从正态分布N（0,5.0）采样的值旋转每个图像”。
-
轻松地将所有随机范围转换为确定性值，以完全相同的方式（例如图像及其热图）增加不同批次的图像。
数据增强是你在找什么。 在你的情况下，你可以做不同的事情：
-
应用filter来获得稍微不同的图像，如前所述，您可以使用高斯模糊。
-
切橙色，把它放在不同的背景。
-
用不同比例因子来缩放橙子。
-
旋转图像。
-
创造合成腐烂的橙子。
-
混合前面提到的所有不同的组合。 借助这种增强function，您可以轻松创build数千种不同的桔子。
我做了一个像12.000图像的数据集，我可以创build630.000个样本
这确实是增加数据集的好方法。 例如，您可以将高斯模糊应用于图像。 他们会变得模糊，但不同于原来的。 您也可以反转图像。 或者，在最后的情况下，寻找新的图像，并应用引用的技术。
数据增强是提高训练集的好方法，但仍然不足以训练一个深层的networking，因为它有可能会过度训练。 你应该考虑一下域适应，在这里你需要一个像imagenet数据集一样训练的预训练模型，并对你的问题进行微调。 由于您只需要学习用于分类用例的参数，就可以用相对较less的培训数据获得较高的准确度。 我已经在这里主持了这个技术的分类演示。 试试看你的数据集，看看是否有帮助。 演示会照顾预训练模型以及您将上传的数据集的数据增强。
