qq_26136211的博客

之前在打竞赛的时候，经常遇到很多分类，检测的问题，而图片的数据量往往都是不够的，少的只有五六百。这时候的任务就是少样本问题。最常用的解决方法就是数据增强，比如裁剪，拉伸，平移，color jittering，flip，region mask（cutout）等，这些做法增大了数据量，使得分类器减少了过拟合的可能性。不过，这些都不能用到图像生成GAN的任务上去。我在做少样本生成的时候，数据集少的也就只有几百张，这时候discriminator就很容易出现过拟合，倾向于记住所有的real image，导致在后期

参考资料：https://github.com/Charmve/Surface-Defect-Detectionhttps://github.com/Eatzhy/surface-defect-detection缺陷问题的两个关键点：缺陷检测在工业上应用广，但相比于ImageNet 千万级的图片数量相比，数据不足，是小样本问题。常采用的方法有：a。数据增强和生成。对原始缺陷样本进行镜像、旋转、平移、扭曲、滤波和对比度调整等，以获得更多的样本。另一种常见的方法是数据合成，单个缺陷被融合并叠加在正