describe research question

[avhou]

[avhou]

antwoord Frouke :

Qua complexiteit van de manipulatie is dit prima, maar kijk even naar "data augmentation methods", omdat wat je voorstelt vaak gebruikt om het netwerk beter te laten generaliseren (en meer afbeeldingen uit dezelfde dataset te kunnen verkrijgen). Probeer je ook af te vragen: Wat zou de situatie kunnen zijn waarin dergelijke verstoringen van afbeeldingen voorkomen?

Kun je ook beargumenteren waar je naar gezichten gaat kijken? Dit lijkt me een "object" waar al heel veel onderzoek mee gedaan is en waar al heel veel over bekend is hoe deze zo goed mogelijk te herkennen. Je loopt dat een beetje het risico dat je erg veel literatuur moet bekijken om te weten of er wel of niet onderzoek naar gedaan is.

Een specifiekere situatie zou kunnen zijn dat je bijvoorbeeld het aantal schapen in een afbeelding wil tellen (voor een herder die wil weten of de kudde nog compleet is), of appels herkennen aan bomen (zodat een robot deze kan plukken). De kans dat daar heel veel over bekend is, is al een stuk kleiner.

Bij schapen tellen kun je bijvoorbeeld afvragen of er op een gegeven moment te veel schapen in beeld zijn om ze allemaal los te herkennen (dus je varieert het aantal schapen in het beeld). Bij appels kun je kijken of alle soorten appels even goed herkend worden (dus je varieert dus het appelras). Ook kun je je afvragen of het uitmaakt of het heel zonnig is op de foto of juist wat bewolkt of donker (dan vergelijk je foto's met veel en weinig licht). Hierbij is het even nadenken of je alleen de test-set wil variëren op deze aspecten of ook in de training een variatie aan wil brengen (werkt het herkennen van veel schapen tegelijk beter als je traint op beelden met veel schapen?).