图像预处理和数据增强应该如何进行语义分割？

Question

我有一个不平衡的小数据集，包含4116 224x224x3（RGB）航空图像。我很可能会遇到过度拟合的问题，因为数据集不够大。图像预处理和数据增强有助于解决这个问题，如下所述。在

"Overfitting is caused by having too few samples to learn from, rendering you unable to train a model that can generalize to new data. Given infinite data, your model would be exposed to every possible aspect of the data distribution at hand: you would never overfit. Data augmentation takes the approach of generating more training data from existing training samples, by augmenting the samples via a number of random transformations that yield believable-looking images."

Deep Learning with Python by François Chollet, page 138-139, 5.2.5 Using data augmentation.

我读了Medium - Image Data Preprocessing for Neural Networks并检查了斯坦福大学的CS230 - Data Preprocessing和 CS231 - Data Preprocessing课程。它在SO question中再次突出显示，我理解不存在“一刀切”的解决方案。是什么迫使我问这个问题：

"No translation augmentation was used since we want to achieve high spatial resolution."

Reference: Researchgate - Semantic Segmentation of Small Objects and Modeling of Uncertainty in Urban Remote Sensing Images Using Deep Convolutional Neural Networks

我知道我将使用Keras - ImageDataGenerator Class，但不知道在小对象的语义分割任务中使用哪些技术和参数。有人能开导我吗？提前谢谢。：）

from keras.preprocessing.image import ImageDataGenerator

datagen = ImageDataGenerator(
    rotation_range=20,      # is a value in degrees (0–180)
    width_shift_range=0.2,  # is a range within which to randomly translate pictures horizontally.
    height_shift_range=0.2, # is a range within which to randomly translate pictures vertically.
    shear_range=0.2,        # is for randomly applying shearing transformations.
    zoom_range=0.2,         # is for randomly zooming inside pictures.
    horizontal_flip=True,   # is for randomly flipping half the images horizontally
    fill_mode='nearest',    # is the strategy used for filling in newly created pixels, which can appear after a rotation or a width/height shift
    featurewise_center=True,
    featurewise_std_normalization=True)

datagen.fit(X_train)

Answer 1

扩充和预处理阶段总是取决于您遇到的问题。你必须考虑所有可能的扩充，以扩大你的数据集。但最重要的是，你不应该进行极端的扩充，这使得新的训练样本无法在真实的例子中发生。如果您不希望实际的示例将水平翻转，请不要执行水平翻转，因为这会给您的模型提供错误的信息。考虑所有可能发生在输入图像中的更改，并尝试从现有图像中人为地生成新图像。您可以使用Keras的许多内置函数。但是你应该意识到每一个都不会产生新的例子，这些例子不太可能出现在你的模型的输入中。在

正如你所说，没有“一刀切”的解决方案，因为一切都取决于数据。分析数据并建立与之相关的一切。在

关于小物体-你应该检查的一个方向是损失函数，它强调目标体积相对于背景的影响。看看骰子损失或一般骰子损失。在