9.无监督学习simclr中的数据增强
·
重新评估数据增强方式是simclr取得成功的关键之一,之前的文章设计了一系列复制的数据增强,
我们发现只需要随机裁剪就够了
如图3所示，它创建了一系列包含上述两个任务的预测性任务。
数据增强操作的组成对于学习良好的表示形式至关重要
为了系统地研究数据扩充的影响，我们在这里考虑几种常见的扩充。一类扩充涉及数据的空间/几何变换，例如裁剪和调整大小（水平翻转），旋转（Gidaris等，2018）和剪切（De-Vries＆Taylor，2017）。另一种类型的增强涉及外观变换，例如颜色失真（包括颜色下降，亮度，对比度，饱和度，色相）（Howard，2013； Szegedy等，2015），高斯模糊和Sobel滤波。图4可视化了我们在这项工作中研究的扩充
魔乐社区（Modelers.cn) 是一个中立、公益的人工智能社区，提供人工智能工具、模型、数据的托管、展示与应用协同服务，为人工智能开发及爱好者搭建开放的学习交流平台。社区通过理事会方式运作，由全产业链共同建设、共同运营、共同享有，推动国产AI生态繁荣发展。
更多推荐
0
0- 0
已为社区贡献1条内容
所有评论(0)