是什么导致不同数据增强策略在深度学习中的性能差异？

Question

我正在研究深度学习模型在胸部X光异常检测方面的表现。

由于数据稀少，我使用不同的增强策略来增加数据，包括：

• 传统的增强方法(高斯平滑、非锐利掩蔽和最小滤波)
• 生成对抗性网络

与现有的文献相反，我发现，与GAN生成的合成图像相比，传统的增强方法(我在此已经提到)的模型显示出了很好的效果。

是什么导致了这种性能差异？

Answer 1

通常，在使用数据增强时必须小心。

例如，对这类图像进行旋转是有意义的，我们希望看到这些图像中的任何一个都是潜在的“现实生活”示例：

然而，对这种图像进行旋转是没有意义的。我们不希望在“现实生活”的例子中看到这一点：

而GAN有可能使生成的图像变得毫无意义。如果你的GAN产生了“thrash”扩展数据，那么你的网络就会训练和学习'thrash'，这是你不想要的。

当你在GAN生成的图像上训练你的模型时，你实际上是在训练你的模型识别GAN生成的图像，而不是真实的例子。

资料来源：- 数据科学 - quora问题