Обзор методов аугментации изображений для глубокого обучения

Глубокие сверточные нейронные сети демонстрируют исключительно высокую эффективность во многих задачах компьютерного зрения. Однако для предотвращения переобучения эти сети в значительной степени зависят от больших наборов данных. Переобучение — это явление, при котором сеть обучается функции с очень высокой дисперсией и вследствие этого идеально моделирует обучающие данные. К сожалению, многие прикладные области, такие как анализ медицинских изображений, не располагают большими наборами данных. В данном обзоре рассматривается аугментация данных — решение проблемы ограниченного объема данных в пространстве данных. Аугментация данных включает комплекс методов, увеличивающих размер и повышающих качество обучающих наборов данных, что позволяет создавать более эффективные модели глубокого обучения. Обсуждаемые в обзоре алгоритмы аугментации изображений включают геометрические преобразования, аугментацию цветового пространства, ядерную фильтрацию, смешивание изображений, случайное стирание, аугментацию в пространстве признаков, состязательное обучение, генеративно-состязательные сети, перенос нейронного стиля и метаобучение. Методы аугментации на основе генеративно-состязательных сетей (GAN) рассмотрены особенно подробно. Помимо методов аугментации, в статье кратко обсуждаются другие характеристики аугментации данных, такие как аугментация на этапе тестирования, влияние разрешения, итоговый размер набора данных и обучение по принципу учебной программы. В обзоре представлены существующие методы аугментации данных, перспективные направления развития и решения на метауровне, необходимые для реализации аугментации данных. Читатели поймут, как аугментация данных может повысить эффективность моделей и расширить ограниченные наборы данных, позволяя использовать возможности, предоставляемые большими данными.