เทคนิคเสริมในแมชชีนเลิร์นนิง: การปรับปรุงประสิทธิภาพและการลดการติดตั้งมากเกินไป
Augmentation เป็นเทคนิคที่ใช้ในการเรียนรู้ของเครื่องเพื่อเพิ่มขนาดของชุดข้อมูลการฝึกอบรมโดยการสร้างตัวอย่างใหม่จากชุดข้อมูลที่มีอยู่ เป้าหมายของการเพิ่มคือเพื่อให้โมเดลมีชุดอินพุตที่หลากหลายมากขึ้น ซึ่งสามารถปรับปรุงประสิทธิภาพของโมเดลและลดการโอเวอร์ฟิตได้
มีหลายวิธีในการดำเนินการเสริม แต่เทคนิคทั่วไปบางอย่างได้แก่:
1 การหมุนและการพลิกภาพ: การหมุนและการพลิกภาพสามารถสร้างรูปแบบใหม่ของอินพุตเดียวกัน ช่วยให้โมเดลเรียนรู้ที่จะจดจำวัตถุจากมุมและทิศทางที่แตกต่างกัน
2 การครอบตัดและการเติม: การครอบตัดและการเติมเกี่ยวข้องกับการลบหรือเพิ่มพิกเซลที่ขอบของรูปภาพตามลำดับ สิ่งนี้สามารถช่วยให้โมเดลเรียนรู้ที่จะจดจำวัตถุได้แม้ว่าบางส่วนของวัตถุจะถูกบดบังหรือหายไปก็ตาม 3. การกระวนกระวายใจของสี: การเปลี่ยนความสมดุลของสีหรือความเข้มของภาพสามารถสร้างรูปแบบใหม่ๆ ที่โมเดลไม่เคยเห็นมาก่อน ช่วยให้โมเดลเรียนรู้ที่จะจดจำวัตถุในสภาพแสงที่แตกต่างกัน
4 การฉีดสัญญาณรบกวน: การเพิ่มสัญญาณรบกวนให้กับภาพสามารถจำลองความแปรผันในโลกแห่งความเป็นจริง และช่วยให้โมเดลมีความแข็งแกร่งมากขึ้นต่ออินพุตที่มีสัญญาณรบกวน
5 การผสมผสาน: การผสมผสานเกี่ยวข้องกับการรวมภาพตั้งแต่สองภาพขึ้นไปเข้าไว้ในอินพุตเดียว ช่วยให้โมเดลเรียนรู้ที่จะจดจำวัตถุได้แม้ว่าจะปรากฏในฉากที่รกหรือซับซ้อนก็ตาม
6 CutMix: CutMix เกี่ยวข้องกับการครอบตัดส่วนหนึ่งของรูปภาพแบบสุ่มและวางลงในรูปภาพอื่น สร้างรูปแบบใหม่ที่โมเดลไม่เคยเห็นมาก่อน
7 การลบแบบสุ่ม: การสุ่มลบบางส่วนของรูปภาพสามารถสร้างรูปแบบใหม่ๆ ที่โมเดลไม่เคยเห็นมาก่อน ช่วยให้โมเดลเรียนรู้ที่จะจดจำวัตถุได้แม้ว่าบางส่วนของวัตถุจะหายไปก็ตาม
8 การถ่ายโอนสไตล์: การถ่ายโอนสไตล์ของภาพหนึ่งไปยังอีกภาพหนึ่งสามารถสร้างรูปแบบใหม่ๆ ที่โมเดลไม่เคยเห็นมาก่อน ช่วยให้โมเดลเรียนรู้ที่จะจดจำวัตถุในรูปแบบและสภาพแสงที่แตกต่างกัน
ด้วยการใช้เทคนิคเสริม โมเดลการเรียนรู้ของเครื่องจักรสามารถเรียนรู้ที่จะจดจำ วัตถุและรูปแบบในลักษณะที่แข็งแกร่งและสามารถสรุปได้ทั่วไปมากขึ้น ซึ่งนำไปสู่การปรับปรุงประสิทธิภาพของข้อมูลที่มองไม่เห็น
ฉันชอบวิดีโอนี้
ฉันไม่ชอบวิดีโอนี้
รายงานข้อผิดพลาดของเนื้อหา
share
