《表2 不同增强方式的可能增加数量》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《面向深度学习识别高空农作物的方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

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。