本文探讨了数据增强在图像处理中的各种方法，包括迈向终极数据集的概念，增强图像的元属性，以及如何通过游戏化和人机交互提升模型泛化能力。文章还提出增强标签和数据集的知识库思想，以及利用RL环境进行训练，同时讨论了不同类型的图像增强技术，如缩放、颜色转换和动态输入等，旨在提高AI模型的性能和人类视觉体验。
awesome augmention
这篇文章记录我想到的所有数据增强方法
如果有实现我会贴找到的相关
分类：输入是图像，任务是翻译
数据集永远是真实世界的子集
增强图像=工程泛化/实景兼容（一切图像算法）
以后我们可能会有一个数据集的sheet
上面写着就是这些特征统计信息，画成fig供取用什么的
能严格定义的东西，认知级别的，都是应该被统计的东西
而且这些统计信息，可以被用于数据增强
而且可以发现数据集缺陷，断层，断级
迈向终极：数据集是一个知识库
其实数据集应该是一个库/包，可以直接API调用
套用RL，数据集就是一个“环境”
只是现在这个环境还不太“智能”，不能高效反馈
多模态单本征输入
知识库可以包含图像模型，与人类设计增强同步优化，或使用预训练模型
每一张图像/图像型标注，有增强标签，可以采样
增强标签可以做叠加，也可以单独存在
这样增强方法就会绑定整个数据集，并且按照概率，数据集会增加千万倍
“连接”上这个RL环境，训练过程：目标知识将收集并“导入”模型
这个库还需要能做到，对模型的输出进行重组才能提交给损失（stage2）
任务是一个游戏
早上看到cutmixresize的效果，，，
所以说
完全可以做一个游戏
一堆图像到处晃，然后让识别里面有啥，检测等等
屏幕（游戏）分辨率，就是CNN感知的那个面
然后游戏内容就是一堆图像乱飞，遮挡，colorshift都安排上
我就不信泛化能力不强了？
任务是一个人机（对抗/互动）游戏
重标注：
比如多人
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
