신경망 훈련을위한 좋은 접근법

Question

나는 오렌지와 석류를 구별하기 위해 신경망 모델을 훈련 중이다. 훈련 데이터 세트에서 개체의 배경 (주황색과 석류 모두)은 동일하고 일정합니다. 그러나 테스트하는 동안, 객체의 배경은 내가 훈련 한 것과 다릅니다.

그래서 처음 의심의 여지가 그것은 한 배경으로 모델을 학습하는 좋은 방법은 (회색 배경을 가정) 다른 배경와 테스트 (흰색 배경을 가정)

가있다?

둘째, 나는 다른 위치와 배경을 가진 대상을 훈련시켰다. 이론은 위치가 회선에 중요하지 않다고 말하기 때문에, 어디에서나 배치 된 대상을 인식 할 수있는 능력이 있습니다. 회피 한 후에 활성화 맵의 크기가 감소하고 깊이가 증가하기 때문입니다.

그래서 내 두 번째 의심의 여지가 모델을 훈련하는 동안은 다른 위치에있는 객체를 유지하기 위해 필요하거나 좋은 방법은

가있다? 이 한 배경으로 모델을 학습하는 좋은 방법은

Answer 1

인가 (회색 배경을 가정) 다른 배경와 테스트 (흰색 배경을 가정)?

신경망을 학습 할 때 사용중인 데이터 집합을 섞어 훈련 및 테스트 집합으로 나누는 것이 중요합니다. 데이터를 셔플해야하는 이유는 모델이 교육 세트의 모든 유형의 샘플을 볼 수 있도록하기위한 것이므로 보이지 않는 새로운 데이터에 노출 될 때 이전에 본 데이터에 반영 할 수 있습니다. 위에서 언급 한 예에서는 모델의 예측에 영향을 줄 수있는 여러 가지 배경색이 있기 때문에 데이터를 셔플하는 것이 중요합니다. 따라서 교육 및 테스트 세트 모두 모델에서 좋은 예측을 제공하기 위해 두 배경색을 모두 가져야합니다. 모델을 훈련하면서

는 서로 다른 위치에있는 객체를 를 유지하기 위해 필요하거나 좋은 방법인가?

그것은 그것으로 인해 오렌지 또는 석류 ​​더 많은 종류를 예측하는 모델을 가져올 수있는 사실을 다른 위치에 개체 모델을 양성하는 참 좋습니다. 예측하려는 객체에 대해 다른 위치를 사용하는 경우 모델이 테스트 세트보다 좋은 예측을 제공 할 수 있도록 충분한 양의 데이터를 갖는 것이 중요합니다.

이 간단한 설명이 도움이되기를 바랍니다. 뭔가 명확하지 않으면 알려 주시면 게시물을 편집하겠습니다.

Answer 2

첫 번째 의심에 대해서는 대상 개체가 이미지에 존재하는 한 큰 문제는 아닙니다. 데이터를 네트워크로 보내기 전에 데이터를 섞습니다.

두 번째 의심, 예, 항상 다른 위치에 대상 개체가있는 것이 좋습니다. 또 하나주의해야 할 것은 데이터 소스가 동일하고 대부분 같은 품질을 유지한다는 것입니다. 그렇지 않으면 성능 문제가 발생합니다.