Alex らが提案した画像認識のネットワークの論文.
基本すぎること、あるいは独特すぎること (ネットワークの構造) はメモしてもしょうがないので書かない. それよりも画像認識全般に通ずる細かなテクニックをメモする.
正解ラベルを保存しつつも別な画像を作ることで学習データを増強する. CPU で手軽に計算できる操作に限定することで、保存すべきデータを増やすこともなく、また GPU で学習処理をしている裏でCPUで計算させておくことができる.
ネットワーク的には 224x224 (x3-channel) の画像を入力とするが、それよりも少し大きな 256x256 の画像を用いる. ここから、ランダムに 224x224 の画像を切り抜く. 四隅、あるいは中央から (5通りの) パッチを展開して学習に用いたとある. また水平方向の反転は画像の意味を (大抵の場合) 変えない.
RGB の intensity (強度) の変更. よくわからなかったです. RGBをいい感じにちょいズラす？
ratio=0.5