Улучшение глубокого обучения с помощью универсального увеличения данных

Глубоким искусственным нейронным сетям требуется большой объем обучающих данных для эффективного обучения, а сбор таких данных часто дорог и трудоемок. Увеличение данных решает эту проблему путем искусственного расширения обучающей выборки с сохранением меток. В последнее время универсальное увеличение данных широко применяется для повышения эффективности задач свёрточных нейронных сетей (CNN). В этом исследовании проводится бенчмаркинг различных популярных схем увеличения данных, чтобы помочь исследователям выбрать наиболее подходящие методы обучения для их наборов данных. Различные геометрические и фотометрические схемы оцениваются на грубозернистом наборе данных с использованием относительно простой CNN. Экспериментальные результаты, полученные с помощью 4-кратной перекрёстной проверки и приведённые в терминах точности Top-1 и Top-5, показывают, что кадрирование в составе геометрического увеличения данных значительно повышает эффективность выполнения задач CNN.