数据增强 3 篇文章

介绍生成式数据增强、迁移学习与物理约束校验在小样本场景下的组合应用,提升模型可用性与鲁棒性。

封面
目标检测 模型优化 数据增强 部署实践

目标检测模型在小目标场景下的漏检问题与解决策略

目标检测模型在小目标场景下漏检率高,核心原因在于特征下采样导致信息丢失。解决策略包括提高输入分辨率或切图推理、增强特征金字塔的多尺度融合、针对小目标样本进行过采样与复制粘贴增强、改进损失函数(如CIoU)以及考虑Transformer架构。工程部署中需注意预处理缩放方式、NMS阈值等细节,量化与蒸馏可在边缘设备上平衡精度与速度。系统性优化可使漏检率从15%降至3%以下。

阅读全文
封面
机器学习 模型优化 数据增强

为什么模型过拟合风险在数据增强后反而升高

数据增强策略不当会推高模型过拟合风险,体现在生成偏离真实分布的样本导致模型拟合伪模式。实证分析显示固定高强度增强使验证准确率降低6.3个百分点,而自适应增强能有效抑制过拟合风险,训练与验证差距从15%降至7%。工程实践中应结合正则化并动态调整增强参数。

阅读全文