Ik voer data augmentation uit op afbeeldingen

Waarom augmentatie belangrijk is?

• Om beperkte data te overwinnen
• Om de nauwkeurigheid van het model te verbeteren
• Om het model te laten werken onder verschillende omgevingscondities, objectrotaties, verschuivingen, wazigheid, schalen, enzovoort

Ik kan een dataset vergroten door afbeeldingen met variaties te genereren. Dit is handig wanneer je weinig data hebt om je ML-modellen te trainen.

Data augmentation of data manipulatie is vooral nuttig wanneer je weinig data hebt.

Het trainen van een AI- of ML-model in één enkele oriëntatie zorgt ervoor dat het model alleen kenmerken leert in één transformatie, wat faalt wanneer de inputgegevens licht worden aangepast. Veranderingen in omgevingscondities veroorzaken veranderingen in het uiterlijk en het model kan die input niet goed verwerken, omdat het niet op die variaties is getraind.

Een aanbevolen methode is om meerdere transformaties van dezelfde afbeelding te gebruiken, waardoor het model robuust wordt voor elke oriëntatie en uiterlijkveranderingen.

Kenmerken:

• Ik kan een kleine dataset omzetten in een grote dataset.
• Ik kan de dataset invariant maken voor rotatieveranderingen, uiterlijkveranderingen, schaalvariaties, enzovoort.

Mogelijke technieken die ik kan gebruiken:

• Rotatie
• Flippen
• Zoom (of schaling)
• Kleurveranderingen
• Wazigheid
• Verschuiving
• Deelmatige obstructies of occlusies
• Kleurverandering
• ruis
• helder/donker
• bijsnijden
• Grijstinten
• verschuiving