过度裁剪图像会导致深度学习模型性能不佳吗？

Question

我目前正在构建一个深度学习模型来识别图像。根据我的阅读，随机裁剪图像等数据增强将减少模型的过度拟合。但是，我不确定这样做是否会导致模型更差。当然，我可以尝试一种裁剪较多的一种，一种裁剪较少的一种。但问题是我怎么知道问题是否出在作物的数量上。

从大小为 n x n 的图像中生成所有可能的大小为 m x m 的裁剪是否会导致模型的性能更好？

我相信它会的。我的推理是这样的：当我们训练一个深度学习模型时，我们会查看训练损失和验证损失并训练模型，直到它的损失非常低。假设最初我们有一个包含 1000 张图像的训练集，并且模型需要 100 个 epoch 来训练。现在，我们从原始训练集中裁剪出 10 倍的额外图像。现在可以将每个 epoch 视为等效于先前模型中的 10 个 epoch，该模型的训练数据较少。但是，这 10 个 epoch 中的每个训练数据都略有不同，与之前模型中的 10 倍重复数据相比。当然，这将减少过度拟合。我的推理正确吗？

在这种情况下，假设我们有足够的计算资源，裁剪所有可能的较小尺寸的图像有什么缺点吗？

目前，我正在考虑从 72x72 的图像中裁剪所有可能的 64x64 图像，这样每张原始图像总共可以得到 64 张新图像。

我还没有看到任何处理这个问题的论文。如果有人能指点我一个，我将不胜感激。谢谢。

Answer 1

回答你的问题，不。它不会损害性能，但是会在一般过程中增加几毫秒。也许您能得到的最佳答案是尝试不同的方法。

Answer 2

根据我的实验，性能提升可以忽略不计，并且可能会导致过度拟合，因为重复看到类似的图像。