文章大纲
- 样本稀疏与对应的解决方案
-
- 1.数据层面
- 2.模型层面
- 3.方法层面
- 如何解决工业缺陷检测小样本问题
-
- 参考1：AIDG(Artificial Intelligent Defect Generator)
- 参考2：灵感来源 : Image-to-Image Diffusion Models
- 参考3：结合Stable diffusion 控制噪声
- 参考4：工业级 deep learning anomaly detection algorithms
- 参考文献与学习路径
-
- 参考博文
- 数据集
- 算法
- 缺陷检测库
- hugging face
样本稀疏与对应的解决方案
1.数据层面
数据增广
数据增广，就是尽可能产生更多的样本，比如，一张图像，通过裁剪、变换、翻转、加噪声，获得更多样本；
合成数据
比如，通过 GAN 生成数据等。
- 图片分类的效果不好怎么办？-- 从数据驱动的角度出发
2.模型层面
数据量比较小会导致模型过拟合, 使得训练误差很小而测试误差特别大.
模型正则化
通过在Loss Function 后面加上正则项可以抑制过拟合的产生. 缺点是引入了一个需要手动调整的hyper-parameter.
Dropout是一种神经网络正则化手段，通过随机将部分神经元的输出置零来实现.
k折交叉验证
使用k折交叉验证训练模型，可以提供模型的精度，防止划分数据的随机性。
集成弱学习器
SVM能在数据量不足，且特征维度高的情况下，进行学习。但是，与神经网络比较，像SVM，GBDT这些弱学习群可能并不能达到理想的效果。对这些模型使用集成学习，提
发布者：admin，转转请注明出处：http://www.yc00.com/web/1754976389a5223577.html
评论列表（0条）