在圖像和物體識(shí)別方面，計(jì)算機(jī)表現(xiàn)優(yōu)于人類(lèi)。

像Google和Microsoft這樣的大公司在圖像識(shí)別方面已經(jīng)超越了人類(lèi)基準(zhǔn)[1，2]。平均而言，人類(lèi)大約有5％的時(shí)間在圖像識(shí)別任務(wù)上犯了錯(cuò)誤。截至2015年，微軟的圖像識(shí)別軟件的錯(cuò)誤率達(dá)到4.94％，與此同時(shí)，谷歌宣布其軟件的錯(cuò)誤率降低到4.8％[3]

這是怎么做到的？

這可以通過(guò)在包含數(shù)百個(gè)對(duì)象類(lèi)別、數(shù)百萬(wàn)個(gè)訓(xùn)練樣本的ImageNet數(shù)據(jù)集上訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)[1]。

百萬(wàn)訓(xùn)練數(shù)據(jù)！

例如，要教計(jì)算機(jī)從多個(gè)角度識(shí)別出一只貓貓，可能需要成千上萬(wàn)張涵蓋不同角度的照片。

成功訓(xùn)練計(jì)算機(jī)視覺(jué)任務(wù)的深層卷積神經(jīng)網(wǎng)絡(luò)需要大量數(shù)據(jù)。這是因?yàn)檫@些神經(jīng)網(wǎng)絡(luò)具有多個(gè)隱藏的處理層，并且隨著層數(shù)的增加，需要學(xué)習(xí)的樣本數(shù)也隨之增加。如果沒(méi)有足夠的訓(xùn)練數(shù)據(jù)，則該模型往往會(huì)很好地學(xué)習(xí)訓(xùn)練數(shù)據(jù)，這稱(chēng)為過(guò)度擬合。如果模型過(guò)擬合，則其泛化能力很差，因此對(duì)未見(jiàn)的數(shù)據(jù)的表現(xiàn)很差。

但是，如果沒(méi)有大量的訓(xùn)練數(shù)據(jù)怎么辦？

對(duì)于我們手頭的所有圖像識(shí)別任務(wù)，并不是都會(huì)擁有數(shù)百萬(wàn)個(gè)訓(xùn)練樣本。對(duì)于某些任務(wù)，收集成千上萬(wàn)個(gè)樣本圖像甚至是一個(gè)挑戰(zhàn)。對(duì)于醫(yī)學(xué)圖像而言通常是這種情況，例如用于乳房癌檢測(cè)和定位的乳房X線(xiàn)照相術(shù)，用于肺癌檢測(cè)的胸部X射線(xiàn)或用于定位腦腫瘤的MRI掃描。

這可以歸結(jié)為一個(gè)問(wèn)題：當(dāng)我們只有有限的數(shù)據(jù)時(shí)，我們?nèi)绾斡?xùn)練能夠很好地完成這些任務(wù)的模型？

使用數(shù)據(jù)增強(qiáng)（data augmentation)生成更多訓(xùn)練數(shù)據(jù)

當(dāng)我們只有少量圖像數(shù)據(jù)用于訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)時(shí)，我們可以使用數(shù)據(jù)增強(qiáng)技術(shù)從已經(jīng)擁有的圖像數(shù)據(jù)中生成更多訓(xùn)練數(shù)據(jù)。

數(shù)據(jù)增強(qiáng)是一種為原始圖像生成多個(gè)圖像的技術(shù)。有幾種不同的數(shù)據(jù)增強(qiáng)技術(shù)，Mikolajczyk和Grochowski在他們的論文中[4]將這些技術(shù)分為兩個(gè)子類(lèi)別：使用基本圖像處理的數(shù)據(jù)增強(qiáng)和使用深度學(xué)習(xí)方法的數(shù)據(jù)增強(qiáng)。

幾何變換

諸如翻轉(zhuǎn)(Flip)，裁剪(Crop)，旋轉(zhuǎn)(Rotation)和移位(Translation)之類(lèi)的幾何變換是一些常用的數(shù)據(jù)增強(qiáng)技術(shù)。我們將在本文中簡(jiǎn)要討論它們。

翻轉(zhuǎn)

翻轉(zhuǎn)是取任意給定圖像的鏡像。它是最簡(jiǎn)單的增強(qiáng)技術(shù)之一。圖像可以水平或垂直翻轉(zhuǎn)。但是，水平翻轉(zhuǎn)在這兩者之間更為常見(jiàn)。

裁剪

裁剪是一種數(shù)據(jù)增強(qiáng)技術(shù)，用于通過(guò)裁剪邊界像素來(lái)減小原始圖像的大小。裁剪時(shí)不會(huì)保留空間尺寸。在這種類(lèi)型的數(shù)據(jù)增強(qiáng)中，不能保證轉(zhuǎn)換后的圖像與原始圖像屬于相同的輸出標(biāo)簽。

在上面的圖像中，通過(guò)從左右方向裁剪像素，從原始圖像生成了四個(gè)圖像。裁剪圖像的尺寸從256x256減小到227x277。

旋轉(zhuǎn)

圖像可以在軸上向左或向右旋轉(zhuǎn)1到359度。1到20度之間的旋轉(zhuǎn)稱(chēng)為輕微旋轉(zhuǎn)，并且是用于增強(qiáng)原始圖像的有用技術(shù)。隨著旋轉(zhuǎn)度的增加，轉(zhuǎn)換后的數(shù)據(jù)可能無(wú)法保留其原始標(biāo)簽。

移位

翻譯是一種將圖像向左，向右，向上或向下平移的技術(shù)。這是一種非常有用的轉(zhuǎn)換技術(shù)，可以避免數(shù)據(jù)中的位置偏差。移位圖像時(shí)，剩余空間將被填充為0，255或被隨機(jī)噪聲填充，從而保留了圖像的原始大小。

基于GAN的數(shù)據(jù)增強(qiáng)

生成對(duì)抗網(wǎng)絡(luò)（GAN）也稱(chēng)為GAN，是一種生成建模技術(shù)，其中可以從數(shù)據(jù)集中創(chuàng)建人工實(shí)例，從而保留原始集的相似特征[9]。

GAN由兩個(gè)相互競(jìng)爭(zhēng)的人工神經(jīng)網(wǎng)絡(luò)（ANN）組成，即生成器 generator 與判別器 discriminator。生成器創(chuàng)建新的數(shù)據(jù)實(shí)例，而判別器則評(píng)估它們的真實(shí)性[10]。

這是由GAN生成的人臉圖像，這是在人臉上訓(xùn)練出來(lái)的。請(qǐng)注意，這些是合成的面孔，而不是真實(shí)的人。

這些是一些數(shù)據(jù)增強(qiáng)技術(shù)，通常用于從有限的數(shù)據(jù)集中生成更多數(shù)據(jù)，從而可以訓(xùn)練出更有效的卷積神經(jīng)網(wǎng)絡(luò)。

Olaf和他的團(tuán)隊(duì)在訓(xùn)練數(shù)據(jù)有限的情況下，利用在圖像上的平移、旋轉(zhuǎn)和隨機(jī)彈性變換等數(shù)據(jù)增強(qiáng)技術(shù)訓(xùn)練U-net體系結(jié)構(gòu)模型，并在2015年ISBI細(xì)胞追蹤挑戰(zhàn)中以較大優(yōu)勢(shì)獲得這些類(lèi)別的冠軍。

因此，下次在訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)時(shí)，請(qǐng)使用這些技術(shù)來(lái)創(chuàng)建更多數(shù)據(jù)。

你平時(shí)使用了哪些數(shù)據(jù)增強(qiáng)技術(shù)？在下面評(píng)論分享的想法。