1. CES上的真实故事 2. 数据增强 增加一个已有数据集,使得有更多的多样性 在语言里加入各种不同的背景噪音改变图片的颜色和形状 例如,我们可以以不同的方式裁剪图像,使感兴趣的对象出现在不同的位置,减少模型对于对象出现位置的依赖。 我们还可以调整亮度、颜色等因素来降低模型对颜色的敏感度。 可以说,图像增广技术对于AlexNet的成功是必不可少的。 3. 使用增强数据训练 可以把这个看做是正则项,只是作用在训练的时候。 4. 翻转 5. 切割 6. 颜色 7. 几十种其他的方法 8. 总结 数据增广通过变形数据来获取多样性从而使得模型泛化性能更好常见图片增广包括翻转、切割、变色