python – 随机裁剪数据增强卷积神经网络

在我看来,随机裁剪有助于数据增加的原因是,虽然保留了图像的语义(除非你选择了一个非常糟糕的裁剪,但让我们假设你设置了随机裁剪,这样的概率非常低)激活值你进入你的转发网是不同的.因此,实际上我们的转换网络学会将更广泛的空间激活统计数据与某个类别标签相关联,因此通过随机裁剪进行数据增强有助于提高我们的特征检测器在网络中的稳健性.同样,随机作物产生不同的中间激活值并产生不同的前向通道,因此它就像一个“新的训练点”.

这也不是微不足道的.请参阅最近关于神经网络中对抗性示例的工作(相对较浅的AlexNet大小).图像在语义上看起来相同,或多或少,当我们通过一个带有softmax分类器的神经网络传递它们时,我们可以得到截然不同的类概率.因此,从语义的角度来看,微妙的变化最终可能会通过转发网络进行不同的前向传递.有关详细信息,请参阅Intriguing properties of neural networks.

要回答你问题的最后一部分：我通常只是制作我自己的随机裁剪脚本.假设我的图像是(3,256,256)(3个RGB通道,256×256空间大小),您可以编写一个循环,通过随机选择一个有效的角点来获取图像的224×224个随机裁剪.所以我通常会计算一个有效角点数组,如果我想要10个随机作物,我会从这个集合中随机选择10个不同的角点,比如我选择(x0,y0)作为我的左上角点,我会选择裁剪X [x0：x0 224,y0：y0 224],就像这样.我个人喜欢从预先计算出的一组有效角点中随机选择,而不是一次随机选择一个角落,因为这样我保证不会得到重复的作物,但实际上它的概率可能很低.