Using Data Augmentation on Small Datasets to Improve Object Detection Accuracy

Abstract

Denne oppgaven bruker tre små datasett og augmenterer dem til flere datasett ved bruk av rotasjon, utydeliggjøring, lys og farge, mosaikk og cutout. Disse augmenterte datasettene blir deretter testet om de er bedre for læring. Det er et bytte i activation functions som ifølge et paper av Ashay Singh og Ankr Singh Bist skal fungere bedre på små datasett. Alt gjøres med minimal overfitting. Alle de augmenterte datasettene lærte bedre enn det originale datasettet og byttingen av activation function fra Leaky ReLU til Swish utgjorde ikke en stor nok forskjell for å si hvilken som var best.

This paper uses three different small datasets and augments them into several more by rotating, blurring, changing brightness and saturation, mosaic and cutout to see whether these augmented datasets are better for learning. It also changes activation functions to see if there is a difference as stated in a paper by Ashay Singh and Ankr Singh Bist. While trying to prevent overfitting. The augmented datasets performed better than the original on all accounts, and the changing of the activation function from a Leaky ReLU to a Swish did not have significant enough results to conclude which is better.