Augmentációs technikák a gépi tanulásban: a teljesítmény javítása és a túlillesztés csökkentése

Az augmentáció egy olyan technika, amelyet a gépi tanulásban használnak a képzési adatkészlet méretének növelésére azáltal, hogy új példákat hoz létre a meglévőkből. A kiegészítés célja, hogy a modellt változatosabb bemeneti készlettel látja el, ami javíthatja a teljesítményét és csökkentheti a túlillesztést.

Sok különböző módja van a kiegészítés végrehajtásának, de néhány gyakori technika a következőket tartalmazza:

1. A kép elforgatása és megfordítása: A képek elforgatása és megfordítása ugyanannak a bemenetnek új változatait hozhatja létre, lehetővé téve a modell számára, hogy megtanulja felismerni az objektumot különböző szögekből és tájolásokból.
2. Kivágás és kitöltés: A körbevágás és a kitöltés magában foglalja a kép széleihez képpontok eltávolítását vagy hozzáadását. Ez segíthet a modellnek megtanulni felismerni az objektumot még akkor is, ha annak részei el vannak zárva vagy hiányoznak.
3. Színremegés: A kép színegyensúlyának vagy intenzitásának megváltoztatása olyan új variációkat hozhat létre, amelyeket a modell korábban nem látott, és segít abban, hogy megtanulja felismerni a tárgyat különböző fényviszonyok között.
4. Zajinjektálás: Zaj hozzáadása a képhez valós változatokat szimulálhat, és elősegítheti, hogy a modell robusztusabbá váljon a zajos bemenetekkel szemben.
5. Keverés: Az összekeverés magában foglalja két vagy több kép egyetlen bemenetté való kombinálását, lehetővé téve a modell számára, hogy megtanulja felismerni az objektumot, még akkor is, ha az egy zsúfolt vagy összetett jelenetben van jelen.
6. CutMix: A CutMix magában foglalja a kép egy részének véletlenszerű kivágását és egy másik képbe való beillesztését, új változat létrehozását, amelyet a modell még nem látott.
7. Véletlenszerű törlés: A kép egyes részeinek véletlenszerű törlése olyan új variációkat hozhat létre, amelyeket a modell még nem látott, és segít abban, hogy megtanulja felismerni az objektumot akkor is, ha annak részei hiányoznak.
8. Stílusátvitel: Az egyik kép stílusának átvitele a másikra olyan új variációkat hozhat létre, amelyeket a modell még nem látott, és segít megtanulni felismerni a tárgyat különböző stílusok és fényviszonyok között.

A kibővítési technikák használatával a gépi tanulási modellek megtanulhatják felismerni. objektumokat és mintákat robusztusabb és általánosíthatóbb módon, ami jobb teljesítményt eredményez a nem látott adatokon.