2017-10-20 20 views
1

J'essaye de construire le modèle de cnn (keras) qui peut classer l'image basée sur les émotions d'utilisateurs. J'ai des problèmes avec les données. J'ai vraiment peu de données pour la formation. Est-ce que l'aide aux données augmentant va? Est-ce que cela améliore la précision? Dans quel cas devrait-on choisir d'augmenter les données et devrait éviter?L'augmentation d'image aide-t-elle?

Répondre

2

Est-ce que l'aide aux données augmentera? Est-ce que cela améliore la précision?

C'est difficile à dire à l'avance. Mais presque certainement, quand vous avez déjà un modèle qui vaut mieux que le hasard. Et lorsque vous choisissez la bonne méthode d'augmentation.

Voir ma thèse de maîtrise Analysis and Optimization of Convolutional Neural Network Architectures, page 80 pour de nombreuses méthodes d'augmentation différentes.

Dans ce cas, il faut choisir d'augmenter les données et devrait éviter?

  • Si vous ne disposez pas de suffisamment de données -> augmenter
  • Évitez où vous pouvez augmentations ne dire l'émotion après l'augmentation. Ainsi, en cas de reconnaissance de caractères, la rotation est une mauvaise idée (par exemple en raison de 6 vs 9 ou u vs n ou \rightarrow vs \nearrow)
+0

merci, je vais me référer. – Afrid

2

Oui, l'augmentation de données aide vraiment, et parfois c'est vraiment nécessaire. (Mais jetez un coup d'oeil à la réponse de Martin Thoma, il y a plus de détails là-bas et quelques "prendre-soin" importants).

Vous devez l'utiliser lorsque:

  • Vous avez trop peu de données
  • Vous remarquez que votre modèle est surapprentissage trop facilement (peut-être un modèle trop puissant aussi)

surapprentissage est quelque chose Cela arrive lorsque votre modèle est capable de mémoriser les données. Ensuite, il obtient une précision magnifique pour les données d'entraînement, mais une précision terrible pour les données de test. Si vous augmentez la taille des données d'entraînement, il sera plus difficile pour votre modèle de mémoriser. De petits changements ici et là feront que votre modèle cessera de prêter attention aux détails qui ne signifient rien (mais sont capables de créer des distinctions entre les images) et commencera à prêter attention aux détails qui provoquent effectivement l'effet désiré.

+0

ne Zooms, mise à l'échelle et la rotation est suffisant pour l'augmentation ou nous pouvons aussi jouer avec des canaux et égalisation d'histogramme? – Afrid

+1

Vous ne pouvez pas dire si certaines augmentations sont suffisantes sans l'essayer. La question la plus intéressante est de savoir s'ils améliorent le modèle. Et c'est aussi très problème, modèle et dataset spécifique (+1 pour la réponse) –

+0

En effet, @MartinThoma. –