CNN Veri Büyütme : Verileri artırmak, farklı yönelimlerle yeni “veri” oluşturmanın bir yoludur. Bunun avantajları iki yönlüdür, öncelikle sınırlı veriden “daha fazla veri” üretme kabiliyeti ve ikincisi geçersiz kılmayı önler.

Sınırlı verilerle çalışmanın kendine has sorunları var, veri toplamaların kullanımı yalnızca ekleme metotları mevcut veri setini iyileştirirse olumlu sonuçlara sahip olabilir, örneğin ağa baş aşağı bir yönelimde bir yer işareti hakkında “öğrenmeyi” öğretmeye değer mi?

Bununla birlikte, eğer veri setiniz reçeteli ilaç görüntülerinden oluşuyorsa, bu görüntüler teorik olarak herhangi bir yönde olabileceğinden, birkaç oryantasyona sahip olmak mantıklı olacaktır.

Veri kümesinin boyutu, büyütme yöntemleri, paket boyutu, görüntü boyutu ve eğitim seçenekleri gibi sonuçları etkileyebilecek birçok değişiklik olabilir. Bu makalenin amacı, artan veri toplam doğruluğunu nasıl etkilediğini göstermektir. 

Verileri Arttırma Eğitimi

Eğitim, Leslie Smith tek çevrim yöntemi kullanılarak gerçekleştirildi, bu makalede ve bu mükemmel makalede açıklandı. Sonunda tavlamada% 5’lik bir döngü tahsis eden yüksek bir egzersiz oranı, kısa bir döngü süresi ve minimum 0.95 ve minimum 0.85 darbe ve 1e-5 ağırlık azalması ile tavlama yaptım. Amaç, mümkün olan en kısa sürede en iyi sonuçları almaktı, böylece çeşitli yöntemlerle sayısız deneme yapabilirsiniz (aşağıdaki sonuçlar tüm sonuçları göstermiyor).

Şekil, renk, yüzey işaretleme, dayanıklılık açıklamalarından değişen toplam 82 farklı etiket vardı; örneğin, bir kapsül aşağıdaki etiketlere sahip olabilir [kapsül], [mavi], [TEVA], [çok renkli], [beyaz], [kapsül şekli], [25 mg], vb.

CNN Veri Büyütme
CNN Veri Büyütme

Verileri Artırma Yöntemleri

Verileri artırma yöntemlerinin her biri için tahminler ağ tarafından görülmeyen 10 görüntü üzerinde kontrol edildi ve doğruluk ve hata oranı hesaplanmaktadır. Bu, doğru sınıflandırılmış etiketlerin sayısı ve yanlış sınıflandırılmış etiketlerin sayısı kontrol edilerek yapılır. Çoğu çalışma doğruluğa odaklanır, ancak hataların sıklığını veya oluşturulan yanlış etiket sayısını araştırmak da aynı derecede önemlidir.

Verileri tamamlamanın birçok yolu vardır. Görüntülerde, orijinal görüntüyü döndürebilir, aydınlatma koşullarını değiştirebilir, farklı şekilde kırpabilirsiniz, böylece bir görüntü için farklı alt örnekler oluşturabilirsiniz. Böylece, sınıflandırıcısızın yeniden yapılandırılmasını azaltabilirsiniz. Öte yandan, SMOTE gibi aşırı örnekleme yöntemlerini kullanarak yapay veri oluşturuyorsanız, aşırı örneklemeyi sunma olasılığınız yüksek olur. Bu nedenle, bir veri takviyesi seçerken dikkatli olmalısınız.

https://pythondunyasi.com/yapay-zeka-ve-derin-ogrenme/


0 yorum

Bir Cevap Yazın