训练数据较少时如何生成更多的数据

例如，要教计算机从多个角度识别出一只猫猫，可能需要成千上万张涵盖不同角度的照片。

数据增强是一种为原始图像生成多个图像的技术。有几种不同的数据增强技术，Mikolajczyk和Grochowski在他们的论文中[4]将这些技术分为两个子类别：使用基本图像处理的数据增强和使用深度学习方法的数据增强。

翻转是取任意给定图像的镜像。它是最简单的增强技术之一。图像可以水平或垂直翻转。但是，水平翻转在这两者之间更为常见。

裁剪

图像可以在轴上向左或向右旋转1到359度。1到20度之间的旋转称为轻微旋转，并且是用于增强原始图像的有用技术。随着旋转度的增加，转换后的数据可能无法保留其原始标签。

移位

这些是一些数据增强技术，通常用于从有限的数据集中生成更多数据，从而可以训练出更有效的卷积神经 络。

Olaf和他的团队在训练数据有限的情况下，利用在图像上的平移、旋转和随机弹性变换等数据增强技术训练U-net体系结构模型，并在2015年ISBI细胞追踪挑战中以较大优势获得这些类别的冠军。

因此，下次在训练卷积神经 络时，请使用这些技术来创建更多数据。

你平时使用了哪些数据增强技术面评论分享的想法。

资源

[1] https://www.eetimes.com/document.aspc_id=1325712

[2] https://venturebeat.com/2017/12/08/6-areas-where-artificial-neural-networks-outperform-humans/

[3] https://www.theguardian.com/global/2015/may/13/baidu-minwa-supercomputer-better-than-humans-recognising-images

[4] Mikolajczyk, A., & Grochowski, M. (2018). Data augmentation for improving deep learning in image classification problem. 2018 International Interdisciplinary Phd Workshop (Iiphdw). doi: 10.1109/iiphdw.2018.8388338

[5] Perez, L., & Wang, J. (2017). The efectiveness of data augmentation in image classifcation using deep learning. Stanford University Research Report.

[6] https://snow.dog/blog/data-augmentation-for-small-datasets

[7] https://www.learnopencv.com/understanding-alexnet/

[8] https://nanonets.com/blog/data-augmentation-how-to-use-deep-learning-when-you-have-limited-data-part-2/

[9] Shorten, C., & Khoshgoftaar, T. (2019). A survey on Image Data Augmentation for Deep Learning. Journal Of Big Data, 6(1). doi: 10.1186/s40537–019–0197–0

[10] Henrique, F., & Aranha, C. (2019). Data Augmentation Using GANs. Proceedings Of Machine Learning Research.

[11] Ronneberger, O., Fischer, P., & Brox, T. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation.

磐创博客资源汇总站：http://docs.panchuang.net/

PyTorch官方中文教程站：http://pytorch.panchuang.net/