Это, конечно, поздно ответ на этот пост, но мы надеемся, поможет кто наткнуться на этот пост.
Вот статья, которую я нашел в Интернете Image Data Pre-Processing for Neural Networks, хотя это, безусловно, было хорошим в статье о том, как следует обучать сеть.
Главная Суть статьи говорит
1) Поскольку данные (изображения) мало в NN должны быть соизмеримы по размеру изображения, что NN предназначен принимать, как правило, квадрат т.е. 100x100,250x250
2) Рассмотрим MEAN (левое изображение) и STANDARD DEVIATION (изображение справа) значение всех входных изображений в вашей коллекции определенного набора изображений
3) Нормализация входов изображений выполняется путем вычитания среднего значения из каждого пикселя, а затем деления результата на стандартное отклонение, что ускоряет конвергенцию при обучении сети. Это будет напоминать кривую Гаусса с центром в нуле
4) сокращения РАЗМЕРНОСТЬ RGB в черно-белое изображение, нейронная производительность сети разрешено быть инвариантны к этому измерению, или сделать проблемное обучение более сговорчивым
Никто не мог ответить на этот вопрос, если не взглянул на ваши данные. как правило, с глубоким обучением не требуется. ваша модель может узнать, как адаптироваться к изменениям в ваших данных, если у вас достаточно данных. – Feras
Да, я знаю, что мой вопрос был слишком общим, но ваш ответ помог мне. Мой реальный вопрос: насколько чувствительным является глубокое обучение качеству изображения? – Norbert
У глубокой сети или Си-Эн-Эн есть фильтры, которые, как правило, учатся в вашем наборе данных. у большого количества данных и разнообразия у вас будет более надежная система. конечно, он чувствителен, если ваш целевой домен отличается от вашего домена обучения. – Feras