Dataaugmentering
Dataaugmentering är en familj av tekniker som artificiellt utökar en träningsdataset genom att applicera etikettbevarande transformationer på befintliga sampel. Ursprungligen systematiserad för bildklassificeringsuppgifter, tillämpas den nu brett inom domänerna vision, text, ljud och tabulär data. Den uppstod som ett praktiskt svar på den kroniska bristen på märkt data inom övervakad djupinlärning och förblir ett standardförbehandlingssteg i moderna neurala nätverkspipelines.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 2). Data Augmentation. ScholarGate. https://scholargate.app/sv/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.
- Adversariell träningDjupinlärning↔ compare
- ÖverföringsinlärningMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →