machine-learning - 改变经过训练的图像来训练神经网络

Question

我目前正在尝试制作一个程序，仅根据外观来区分腐烂的橙子和可食用的橙子。为此，我计划使用卷积神经网络来训练腐烂的橙子和正常的橙子。经过一番搜索，我只能找到一个大约的数据库。黑色背景上的 150 个腐烂的橙子和 150 个正常的橙子 ( http://www.cofilab.com/downloads/ )。显然，机器学习模型至少需要几千个橙子才能达到 90% 左右的准确率。但是，我可以通过某种方式改变这 150 个橙子来生成更多橙子​​照片吗？我所说的改变是指在柑橘类水果上添加不同深浅的橙色，以制成“不同的橙色”。这是训练神经网络的有效方法吗？

Answer 1

这是增加约会次数的好方法。您将做什么取决于您的数据。例如，如果您正在对从传感器获得的数据进行训练，您可能需要向训练数据中添加一些噪声，以便可以增加数据集。毕竟，稍后您可能会收到来自传感器的一些噪音。

假设您将在图像上对其进行训练，这里有一个非常好的 github 存储库，它提供了使用这些技术的方法。这个 python 库可以帮助您为机器学习项目增强图像。它将一组输入图像转换为一组新的、更大的、稍作修改的图像。链接:https://github.com/aleju/imgaug

特点:

• 大多数可用的标准增强技术。

• 技术可以应用于图像和关键点/地标图片。在开始时定义一次增强序列实验，然后多次应用。

• 为每次增强定义灵活的随机范围，例如“旋转每个图像旋转 -45 到 45 度之间的值”或“旋转每个图像图像由从正态分布 N(0, 5.0) 采样的值。

• 轻松将所有随机范围转换为确定性值以完全相同的方式增强不同批处理的图像(例如图像及其热图)。