Data Augmentation
Data augmentation er en familie af teknikker, der kunstigt udvider et træningsdatasæt ved at anvende etiket-bevarende transformationer på eksisterende eksempler. Oprindeligt systematiseret til billedklassifikationsopgaver, anvendes det nu bredt inden for syns-, tekst-, lyd- og tabeldomæner. Det opstod som et praktisk svar på den kroniske mangel på mærkede data i superviseret dyb læring og forbliver et standard forbehandlingstrin i moderne neurale netværkspipelines.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Shorten, C., & Khoshgoftaar, T. M. (2019). A survey on image data augmentation for deep learning. Journal of Big Data, 6, 60. DOI: 10.1186/s40537-019-0197-0 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 2). Data Augmentation. ScholarGate. https://scholargate.app/da/deep-learning/data-augmentation
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Adversarial TrainingDyb læring↔ compare
- OverførselslæringMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →