数据增强推荐管道

Question

我想使用Keras和由50个类组成的数据集来执行图像分类。目前，我每班只有7幅图像，我需要进行数据增强，以训练模型并获得可接受的精度值。

我正在使用ImageDataGenerator类从角化，这是推荐的图像增强在飞行(在培训期间)。由于分类效果不好，我想知道是否有必要在培训之前进行离线增强，即扩大数据集，因为我诚实地认为，7远远不是每堂课的合理图像数量。

这是一种常见的做法是执行两种类型的增强(在培训之前和期间)？我计划使用一些第三方软件或工具，如imgaug，首先放大数据集，并将增强后的图像保存到磁盘中，然后使用ImageDataGenerator类执行实时增强。

总之，流动情况与此类似：

• 图像预处理和离线数据增强=>扩展原始数据集
• 使用实时增强的=>进行训练，加载数据集并使用ImageDataGenerator

你认为如何？

谢谢。

Answer 1

弹性变换对我的缺陷探测器非常有效：https://github.com/nyck33/defect_检波器_CNN_Keras/blob/master/ElasticTransform.ipynb

它也在Kaggle上：https://www.kaggle.com/bguberfain/elastic-transform-for-data-augmentation

它被用于医学图像，因为它保留了像素相对于底层网格的位置，同时也扭曲了图像，但它适用于我认为的几乎任何数据集。