小图像数据集的数据增强技术？
目前，我正在用深度CNN训练类似Flickrlogos-32的小型标志数据集。为了训练更大的网络，我需要更多的数据集，因此使用增强。我现在做的最好的是使用仿射变换（特征归一化、特征中心化、旋转、宽度高度移位、水平垂直翻转）。但对于更大的网络，我需要更多的增强。我试着在Kaggle的国家数据科学碗的论坛上搜索，但没有得到多少帮助。这里给出了一些方法的代码，但我不确定哪些方法是有用的。除了仿射变换之外，还有哪些其他（或更好的）图像数据增强技术可以应用于这类（或任何一般图像）数据集？
共有1个答案
这里有一个很好的回顾，关于数据增强的第1节：即翻转、随机作物、颜色抖动和照明噪声：
克里热夫斯基等人。在2012年训练著名的Alex-Net时提出了花式PCA。奇异的PCA改变了训练图像中RGB通道的强度。
或者，你也可以看看Kaggle Galaxy Zoo挑战赛：获胜者写了一篇非常详细的博客文章。它涵盖了相同类型的技术：
-
null
-
问题内容： 在张量流中，我想从随机角度旋转图像，以进行数据增强。但是我在tf.image模块中找不到这种转换。 问题答案： 更新 ：请参阅下面的@astromme答案。Tensorflow现在支持本地旋转图像。 在Tensorflow中没有本机方法的情况下可以执行的操作是这样的：
-
https://github.com/kite-sdk/kite/blob/master/kite-data/kite-data-mapreduce/src/test/java/org/kitesdk/data/mapreduce/testmapreduce.java 我的代码段如下 我正在使用HDP2.3.2 box，创建组装jar并通过Spark-Submit提交我的应用程序。 我不明白怎么了
-
在将我的等级更新到1.0.1之后，我的appengine构建失败 我得到了错误： > 错误：执行任务“：AppEngine：AppEngineEnhance”失败。 增强DataNucleus类时出错。 尝试: 使用--debug选项运行以获取更多日志输出。
-
在介绍softmax回归的实现前我们先引入一个多类图像分类数据集。它将在后面的章节中被多次使用，以方便我们观察比较算法之间在模型精度和计算效率上的区别。图像分类数据集中最常用的是手写数字识别数据集MNIST [1]。但大部分模型在MNIST上的分类精度都超过了95%。为了更直观地观察算法之间的差异，我们将使用一个图像内容更加复杂的数据集Fashion-MNIST [2]。 获取数据集 首先导入本节
-
问题内容： 我正在使用带有背景图像的透明1x1图像，以便能够使用精灵并仍为某些图标提供替代文本。 我想为图像使用数据URI来减少HTTP请求的数量，但是 产生透明图像的最小字符串是 什么？ 我意识到我可以使用数据URI：s代替实际的图片，但将所有内容保存在CSS中而不是分散放置时，维护起来会更容易。 问题答案： 在使用不同的透明GIF玩耍后，有些不稳定并会导致CSS故障。例如，如果您有一个并且使用
-
文章信息 本文地址：http://blog.keras.io/building-powerful-image-classification-models-using-very-little-data.html 本文作者：Francois Chollet 概述 在本文中，我们将提供一些面向小数据集（几百张到几千张图片）构造高效、实用的图像分类器的方法。 本文将探讨如下几种方法： 从图片中直接训练一个