6SE6430-2UD35-5FB0

6SE6430-2UD35-5FB01. 先简单再深入:

在应用新和好的深度学习解决问题之前，请尝试经典的计算机视觉技术。特别是在数据可能稀缺的情况下，就像许多现实的问题一样。

检查计算图像像素的统计值（例如均值、峰度、标准差）是否会导致不同类别的统计值不同。然后可以在这些值上训练一个简单的分类器，例如 SVM、KNN，以在不同的类之间进行分类。

2. 增加图像信噪比：

在将它们输入深度学习模型之前，检查预处理技术是否增强了图像的主要特征并提高了信噪比。这将有助于模型获得的准确性。

使用阈值处理等技术、腐蚀和膨胀等噪声技术、高斯模糊（平滑边缘）和中值模糊（椒盐噪声）等模糊技术。

对于不同的问题，不同的运算可能在不同的顺序下有用。

通常的做法是多次使用特定运算符，如果可以增强特征，那就在几个步骤之后再次应用。

找到滤波器、阈值等不同kernel大小的佳组合（其组合可能达到数百万！），可以产生产生佳效果的图像，可以通过构建交互式滑块来帮助找到这些值的理想范围。

3. 直方图均衡

增强图像特征的另一种方法是使用直方图均衡化。直方图均衡化提高了图像的对比度。直方图均衡化的目的是使出现频率高的像素值均匀分布。

6SE6430-2UD35-5FB0

6SE6430-2UD35-5FB0