基于数据增强的小数据集四类图像分类器示例——MATLAB实现

简介：
本研究利用MATLAB开发了一种基于数据增强技术的算法，旨在提升小规模四类图像数据集的分类精度。通过增加训练样本多样性，该方法有效改善了模型在有限数据条件下的性能表现。 本段落提供了一个关于四类图像分类器的简单示例。该示例使用了一个包含320张花卉图片的小数据集（每个类别80个样本），并采用一个非常简单的卷积神经网络模型进行训练。重点在于展示如何利用MATLAB中的功能，即augmentedImageDatastore和imageDataAugmenter，在图像分类解决方案中实施数据增强。 实验的主要目标是证明通过仅增加数据增强步骤，即使在使用极其基础的CNN架构时也能显著提高验证准确率——从大约79%（代码的第一部分）提升到83%左右（第二部分）。然而，当采用预训练好的AlexNet模型进行相同的数据集分类任务时，引入数据增强反而会导致验证精度下降——从100%降至约98%，这表明在该特定情况下可能并不需要额外进行数据增强。