Rozšíření dat - Data augmentation

Rozšíření dat v analýze dat jsou techniky používané ke zvýšení množství dat přidáním mírně upravených kopií již existujících dat nebo nově vytvořených syntetických dat ze stávajících dat. Působí jako regulátor a pomáhá snižovat nadměrné vybavení při trénování modelu strojového učení.[1] Je to úzce spjato s převzorkování v analýze dat.

Techniky syntetického převzorkování pro tradiční strojové učení

Hlavní článek: Převzorkování a podvzorkování v analýze dat § Techniky převzorkování pro problémy klasifikace

Rozšíření dat pro klasifikaci obrázků

Transformace obrázků

Geometrické transformace, převrácení, barevné úpravy, oříznutí, rotace, vkládání šumu a náhodné mazání se používají k rozšíření obrazu při hlubokém učení.[1]

Přidávání nových syntetických obrázků

Protože obrazová data mají obvykle příliš velké rozměry pro tradiční metody syntetického převzorkování, jsou pro vytváření nových syntetických obrázků pro hluboké učení nutné nové metody.

Generativní nepřátelské sítě umožnit vytváření nových syntetických obrázků pro rozšíření dat.[1]

Viz také

Reference

  1. ^ A b C Zkrátit, Connore; Khoshgoftaar, Taghi M. (2019). „Průzkum rozšiřování obrazových dat pro hluboké učení“. Matematika a počítače v simulaci. pružina. 6: 60. doi:10.1186 / s40537-019-0197-0.