张量流 – 图像增强会使性能变差

我正在进行图像分割项目,并一直在尝试采用图像增强技术来增加训练集大小.起初,我只是尝试使用水平翻转来使图像大小加倍,但我发现性能比不使用它更糟糕.是否有任何可以分享的见解.谢谢. 所以基本上你需要回答一个重要的问题：翻转的图像是你域中的有效图像吗？

>如果不是 – 那么它可能会损害您的培训过程仅仅因为您为网络提供了无效输入,可能会在您的数据中了解您的网络虚假模式.翻转可能会伤害您的训练并不是那么罕见 – 例如在徽标识别中,为了正确学习徽标,不要更改数据的方向很重要.
>如果是 – 那么可能会有很多不同的原因导致您的模型开始变得更糟.其中之一可能是它的容量太小而且无法了解数据中的所有模式.第二 – 你没有足够的例子 – 当你添加翻转的图像时,事实证明它实际上已经记住了你的训练案例.另一件事是,也许你在太短的时间内学会了它,并且将迭代次数设置为更大的值可能是一个好主意.

有一件事是肯定的 – 由于您的翻转数据有效,您的模型并不能很好地概括.