मक्खी पर ऑग्मेंटेशन - तंत्रिका नेटवर्क के प्रशिक्षण में एक महत्वपूर्ण उपकरण

मशीन लर्निंग का सबसे महत्वपूर्ण हिस्सा डेटा है। कोई फर्क नहीं पड़ता कि प्रशिक्षण का मॉडल और तरीका कितना अच्छा है, अगर प्रशिक्षण का नमूना छोटा है या वास्तविक दुनिया के अधिकांश मामलों का वर्णन नहीं करता है, तो उच्च गुणवत्ता वाले काम को प्राप्त करना लगभग असंभव होगा। इसके अलावा, प्रशिक्षण डेटासेट बनाने का कार्य किसी भी तरह से सरल नहीं है और सभी के अनुरूप नहीं है, क्योंकि लोगों द्वारा डेटा की लंबी और थका देने वाली टिप्पणियों के अलावा, इस प्रक्रिया के लिए अतिरिक्त धन की आवश्यकता होती है।

उपलब्ध आंकड़ों के आधार पर नए डेटा की पीढ़ी, या पीढ़ी, आसानी से और आसानी से सस्ते में उपलब्ध तरीकों का उपयोग करके प्रशिक्षण सेट के साथ कुछ समस्याओं को हल करना संभव बनाता है। तंत्रिका नेटवर्क के मामले में, प्रत्येक युग के डेटा को संशोधित करके सीखने की प्रक्रिया में सीधे वृद्धि को एम्बेड करने के लिए एक व्यापक घटना बन गई है। हालांकि, बहुत कम संख्या में लेख इस तरह के दृष्टिकोण के महत्व पर ध्यान केंद्रित करते हैं और यह सीखने की प्रक्रिया में क्या गुण लाते हैं। इस लेख में हम विश्लेषण करेंगे कि मक्खी पर वृद्धि से क्या उपयोगी हो सकता है, और इस दृष्टिकोण के ढांचे में परिवर्तनों और उनके मापदंडों का विकल्प कितना महत्वपूर्ण है।

ऑग्मेंटेशन: ऑफ़लाइन या ऑनलाइन?

“”, “” “”, . , . , – , , . .

, “” – . : , . , . , “” , . , , AlexNet, ImageNet 2012 . , , : CPU, , GPU. - 1.

 
. 1. -

, , . , , .

: . : , . , , , – , , .

: . , , ( ). , , , ! , , . 2 , .

 
. 2.

, “ ” . , , . , – . , , (, AutoAugment Google, ). – . , , , .

. , : //. – , , . , , (AxialWarp), (RandStructElem) [1] (BrightnessMod). 3.

 
. 3.

, , . , , :

• ;
• , , , (, );
• , . , , 0.9.

( ), , ( ). , , 10% SVHN (Street View House Numbers, , Google Street View), 1. SimpleNet [2] – LeNet , , . , . 4.

1. SimpleNet SVHN

 
. 4. ( ) SVHN

,

, . , , , . , , – .

, ResNet- [3] , ( , ). 5. SVHN. , , , (. 2). 2 – , ! , , .

 
. 5. ResNet- . —

2. ResNet SVHN

. , , – , . , , .

, . “” , . , – , , .

ICMV 2018 (, . ): Gayer, A., Chernyshova, Y., & Sheshkus, A. (2019). Effective real-time augmentation of training dataset for the neural networks learning. Proceedings of SPIE, 11041, 110411I-110411I-8

1. .. / .., .., .., .. // . 2018. . 32. № 3
2. Hasanpour S. H., Rouhani M., Mohsen F., Sabokrou M. Let’s keep it simple, Using simple architectures to outperform deeper and more complex architectures // ArXiv e-prints https://arxiv.org/abs/1608.06037
3. K. He, X. Zhang, S. Ren, and J. Sun. Deep residual learning for image recognition. // ArXiv e-prints https://arxiv.org/abs/1512.03385