deep-learning - 生成用于训练 CNN 的“人造”图像

Question

我正在尝试识别不同类型的车辆和徽标等。与该领域的大多数努力一样，挑战是缺乏训练图像。

有没有人尝试过生成人造图像？通过在（例如）汽车引擎盖、汽车后部“绘制”徽标并进行变形（例如改变颜色、形状等），以提供更多样化的训练集。

这种方法是否有指导方针和/或最佳实践？

编辑：投反对票的人，至少请评论你投反对票的原因，以便我学习。我不是想在这个论坛上拖钓，而是真诚地问一个问题。如果您不同意，请分享您的想法。

Answer 1

数据增强是解决过拟合问题的众所周知的技术。建议您通过在原始训练图像上执行这些扭曲来做到这一点。这可以通过添加噪声、执行倾斜、旋转、裁剪随机窗口和在这些窗口上进行训练来完成。这些只是一些例子。

对生成的图像执行此操作不是尝试的最佳选择，因为生成的图像不如可用的训练图像好。

从这篇论文开始，它解释了 AlexNet，并提到了他们使用的一些技巧，其中包括一些不错的数据增强。