《表2 不同增强方式的可能增加数量》
一般增加训练数据可通过图像滑动、图像旋转、光学畸变、渐晕效果、颜色渐变、图像裁剪等方法,从而使得图像的鲁棒性得到提高。Krizhevsky等[20]曾利用ImageNet进行实验并得到了很好的验证效果。此外,结合百度的最新研究成果[21],其中的数据增强实现误差为5.3%,是ImageNet上达到的最好结果,表2为1张图进行图像增强后的数据量。从表中可知颜色渐变与图像裁剪方式增加的数据量比较大。然而,神经网络对光源变换、颜色变换比较敏感,图像在改变光照、变换神经网络的情况下,目标农作物将被识别成另外一类。在此,本文主要采用裁剪的方式增加数量集。一方面可以保证数据集的增加,同时也能减少工作量节约时间。
图表编号 | XD00122983300 严禁用于非法目的 |
---|---|
绘制时间 | 2020.02.16 |
作者 | 陈小帮、左亚尧、王铭锋、马铎 |
绘制单位 | 广东工业大学计算机学院、广东工业大学计算机学院、广东工业大学计算机学院、西安工业大学电子信息工程学院 |
更多格式 | 高清、无水印(增值服务) |