개체 이미지 분할
비슷한 개체를 가진 2 개의 다른 데이터 세트가 있는데, 하나는 각 개체의 너비가 50 픽셀이고 다른 하나는 150 픽셀입니다. 두 데이터 세트의 각 사진은 512x512입니다. 이 두 데이터 세트에는 동일한 사진 수가 있습니다. 동일한 카메라로 촬영하므로 동일한 초점 거리, 해상도 등 ...
지금까지 우리는 물체의 크기 만 다르다는 데 동의합니다.
각 데이터 세트에 대해 U-net으로 분할합니다. 괜찮아요, 좋은 예측이 있습니다.
재미로 저는 150 픽셀 데이터 셋으로 훈련하고 50 픽셀 데이터 셋에서 테스트하고 그 반대도 마찬가지입니다.
다시 말하지만 모든 것이 정상이고 결과가 나쁘기 때문에 객체의 크기가 비슷할 때 결과가 더 좋다고 추론합니다. 논리적.
이제 50 픽셀과 150 픽셀 개체 (반 50 개 및 150 개 절반)로 구성된 데이터 세트에서 이전과 동일한 수의 이미지로 모델을 훈련합니다.
50 픽셀 개체 (각각 150 개)로만 구성된 이미지 세트에서 모델을 테스트 할 때 50 픽셀 개체 만 사용하여 네트워크를 교육했을 때보 다 더 나은 결과를 얻습니다 (resp 150).
스케일 (in) 가변 기능 문제 때문입니까? 당신이 다룬 비슷한 사건이 있습니까?
고마워
답변
그것은 힘든 일입니다. 그 원인이 무엇인지 모르겠습니다.
신경망으로 작업 할 때 우리가하는 결과를 보는 이유를 아는 것은 어려울 수 있습니다. 종종 우리가 할 수있는 최선의 방법은 여러 가설을 세우고 그 가설을 테스트하기위한 실험을 고안하는 것입니다.
테스트 할 수있는 몇 가지 가능한 설명 :
아마도 그것은 소음 / 무작위 기회
아마도 50 픽셀 이미지는 상당히 균질하고 150 픽셀 이미지는 상당히 균질하며이 두 가지를 조합하면 네트워크가 학습하는 데 도움이됩니다 (예 : 어느 쪽에도 과적 합하지 않음).
아마도 50 픽셀 개체는 150 픽셀 개체와 동일한 분포에서 나오지 않을 것입니다 (예 : 50 픽셀 이미지는 어린 이용이고 150 픽셀 이미지는 성인용입니다. 또는 배경은 객체의 크기와 상관 관계가 있습니다.) 네트워크를 둘 다에 노출하여 더 많은 정규화를 얻습니다 (이는 모호하고 두 번째 설명과 크게 다르지 않을 수 있음).
다른 가능성을 생각할 수도 있습니다.