Een groter aantal afbeeldingen veroorzaakt een verandering in het aantal bestanden. Bewijs van modelverbetering vereist vergelijkende resultaten op onafhankelijke echte monsters. Zelfs als de gegenereerde voorbeelden meer belichtings- of occlusiecombinaties bestrijken, controleer dan de correspondentie met labels, clusters van vergelijkbare afbeeldingen en of deze omstandigheden de doellocatie vertegenwoordigen.
Hoe moeten de modellen vergeleken worden?
Bewaar de oorspronkelijke basislijn en noteer de gegevens en trainingsinstellingen die zijn gebruikt na het toevoegen van synthetische monsters. Vergelijk op dezelfde echte testset, annotatieregels en statistieken. Onderzoek valse detecties, gemiste detecties en foutvoorbeelden voor belangrijke klassen en bedrijfsomstandigheden. Geef aan onder welke voorwaarden de testset valt. Noem eventuele omstandigheden met onvoldoende echte testmonsters.
Wat kan er worden opgeleverd als de echte gegevens beperkt zijn?
De eerste levering kan bestaan uit synthetische beelden, generatie- en screeningrecords, de toepasselijke reikwijdte en een lijst met echte monsters die moeten worden verzameld. Als taakannotaties vereist zijn, controleer dan de etiketvelden en hun overeenkomst met de monsters met de leveringsspecificatie. Evalueer eventuele trainingsvoordelen en veldprestaties op onafhankelijke, echte monsters. Markeer tot die tijd beide resultaten als niet-geverifieerd. Registreer bronnen en versies voor eventuele toegevoegde monsters om de traceerbaarheid te behouden.
Gerelateerde diensten: Gegevens, training en evaluatie, projectadvies.