本文探讨了在不同数据量下如何合理地划分数据集，并介绍了数据扩增、图像正则化等预处理方法，以及如何整合效果最佳的模型来避免过拟合等问题。
数据量大的时候先对数据进行训练集、验证集和测试集的划分，数据量小的时候先划分训练和验证集合（测试可以在最后的时候对各种验证效果好的模型进行最终测试），这样数据集扩增的时候就只在训练集进行，以免数据信息训练和测试融合.
网络：未训练的/预训练的；
预处理：数据扩增augmentation（eg: 随机水平翻转，旋转，crop）；基于均值和标准差的图像正则化(训练集单独归一化，一般用均值方差归一化，保留后用于验证和测试集合)；
模型：效果最佳的模型相互整合/融合；
过拟合时：增大正则项权重，增加数据集（细胞核的核心位置做微小的移动），增大细胞补丁的size。
持续更新
扫一扫
1079
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
