Я изучаю CNN, многие авторы упоминали о случайном обрезке изображений из центра исходного изображения с коэффициентом увеличения объема данных в 2048 году. Может ли кто-нибудь рассказать, что это значит?Фактор увеличения данных при обучении CNN
0
A
ответ
2
Я считаю, что вы имеете в виду схему расширения данных ImageNet Classification with Deep Convolutional Neural Networks. 2048x аспект их схемы дополнения данных происходит следующим образом:
- Первые все изображения масштабируются до 256x256
- Тогда для каждого изображения они принимают случайные 224x224 размера урожая.
- Для каждого случайного урожая 224x224 они дополнительно увеличиваются, принимая горизонтальные отражения этих 224x224 патчей.
Так что я думаю о том, как они получают фактор дополнения данных 2048x:
- Есть 32 * 32 = 1024 возможных 224x224 размера изображений посевов 256x256 изображений. Чтобы убедиться в этом, просто наблюдайте, что 256-224 = 32, поэтому мы имеем 32 возможных горизонтальных индекса и 32 возможных вертикальных индекса для наших культур.
- Выполнение горизонтальных отражений каждой культуры удваивает размер.
- 1024 * 2 = 2048.
Центр культур аспект вашего вопроса проистекает из того факта, что исходные изображения не все одинакового размера. Итак, что сделали авторы, они масштабировали каждый прямоугольный образ так, чтобы самая короткая сторона теперь имела размер 256, и они взяли центральную обрезку из этого, тем самым перемасштабируя весь набор данных до 256x256. После того как они перескажут все изображения до 256x256, они смогут выполнить описанную выше (до) -2048x схему увеличения данных.
Смежные вопросы
- 1. Ошибка в обучении CNN
- 2. Ошибка при обучении Быстрее R-CNN
- 3. как вводится слово word2vec при обучении CNN
- 4. Как правильно настроить word2vec при обучении нашего CNN для классификации текста?
- 5. Фактор становится символом при назначении кадра данных
- 6. Wierd behavoir при обучении классификатора SVM
- 7. Когда прекратить обучение CNN
- 8. Как избежать значения NAN при обучении CTC?
- 9. Хорошие примеры при обучении рефакторингу?
- 10. Идеальный размер ввода данных CNN, данных обучения
- 11. Получение «ArrayIndexOutOfBoundsException» при попытке автоматического увеличения данных
- 12. Где проходят данные проверки при обучении ANN?
- 13. Любое плохое влияние несбалансированных данных при глубоком обучении?
- 14. Как вычислить потерю журнала при машинном обучении
- 15. Спарк случайного лесного indexoutofbounds исключения при обучении
- 16. Как тренировать сквозной CNN?
- 17. Изменение значения для CNN
- 18. PCA в машинном обучении
- 19. Обучение CNN с использованием Backpropagation
- 20. Обновить набор данных в обучении лазурной машине
- 21. Цель тестовых данных в контролируемом обучении?
- 22. Выражения распознавание лица Подготовка данных для CNN
- 23. Огромные наборы данных в машинном обучении sklearn
- 24. маркировка набора данных в машинном обучении
- 25. Номинальный ценный набор данных в машинном обучении
- 26. Активационная функция при обучении персептрону одного слоя
- 27. k-fold валидация при обучении нейронных сетей
- 28. Ошибка при обучении нейронной сети в opencv
- 29. Обработка геопространственных координат при машинном обучении
- 30. TensorFlow: параметры не обновляются при обучении