Технике повећања у машинском учењу: побољшање перформанси и смањење преоптерећења

Повећање је техника која се користи у машинском учењу за повећање величине скупа података за обуку креирањем нових примера из постојећих. Циљ повећања је да се моделу обезбеди разноврснији скуп улаза, који може побољшати његове перформансе и смањити прекомерно прилагођавање.ӕӕПостоји много различитих начина да се изврши повећање, али неке уобичајене технике укључују:ӕӕ1. Ротација и окретање слике: Ротирање и окретање слика може створити нове варијације истог улаза, омогућавајући моделу да научи да препозна објекат из различитих углова и оријентација.ӕ2. Опсецање и допуна: Опсецање и попуњавање подразумевају уклањање или додавање пиксела на ивице слике, респективно. Ово може помоћи моделу да научи да препозна објекат чак и када су његови делови зачепљени или недостају.ӕ3. Треперење боја: Промена баланса боја или интензитета слике може створити нове варијације које модел раније није видео, помажући му да научи да препозна објекат у различитим условима осветљења.ӕ4. Ињекција буке: Додавање шума на слику може симулирати варијације у стварном свету и помоћи моделу да постане отпорнији на бучне улазе.ӕ5. Мешање: Мешање подразумева комбиновање две или више слика у један улаз, омогућавајући моделу да научи да препозна објекат чак и када је присутан у претрпаној или сложеној сцени.ӕ6. ЦутМик: ЦутМик укључује насумично исецање дела слике и лепљење у другу слику, стварајући нову варијацију коју модел раније није видео.ӕ7. Насумично брисање: Насумично брисање делова слике може створити нове варијације које модел раније није видео, помажући му да научи да препозна објекат чак и када његови делови недостају.ӕ8. Пренос стила: Преношење стила једне слике на другу може створити нове варијације које модел раније није видео, помажући му да научи да препозна објекат у различитим стиловима и условима осветљења.ӕӕУпотребом техника повећања, модели машинског учења могу научити да препознају објеката и образаца на робуснији и генерализујући начин, што доводи до побољшаних перформанси на невидљивим подацима.