← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 9893.f · 生成模型:Hunyuan

数据增强与不变性

理解等级:初级

数据集增强通过添加不改变类别的变换副本来扩大训练集,是降低计算机视觉模型泛化误差的极有效手段。对象识别尤其适合它,因为类别标签对平移、旋转、翻转等几何变换以及颜色扰动保持不变,所以可以廉价地合成新样本。测试时也可把同一输入的多个版本交给模型不同实例并汇总输出,这等价于集成方法,同样有助于减小泛化误差。与需要同时施加于训练集和测试集的规范化预处理不同,数据增强只作用于训练集;当数据集和模型足够大时,许多手工预处理反而不再必要,模型可自行学习应保留哪些变化。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • 第12章 应用 · 查看原书依据

      这些额外副本可以通过对原始图像进行一些变化来生成,但是并不改变其类别。对象识别这个分类任务特别适合于这种形式的数据集增强,因为类别信息对于许多变换是不变的,而我们可以简单地对输入应用诸多几何变换。

    参考来源

    - 位置:《深度学习》第12章 应用(源文件:extracted/深度学习/_epub-src/text/part0004.html) - 结论依据:12.2.1与12.2.2指出增强副本不改变类别、类别对几何变换不变,并把它与测试时多版本集成区分开。 - 原始内容:这些额外副本可以通过对原始图像进行一些变化来生成,但是并不改变其类别。对象识别这个分类任务特别适合于这种形式的数据集增强,因为类别信息对于许多变换是不变的,而我们可以简单地对输入应用诸多几何变换。