?> What is the function of the 'randomCrop' parameter... - Aide
QUESTION / RÉPONSE

What is the function of the 'randomCrop' parameter in an 'INPUT' layer?

1 consultations

Réponse

The 'randomCrop' parameter specifies how to crop images when they are used as input. Options include 'UNIQUE' for random offset cropping, 'RESIZETHENCROP' for resizing then cropping, and 'RANDOMRESIZED' for random scaling and aspect ratio adjustments before resizing.
Action technique liée

Voir la documentation de addLayer

Voir l'Action

Voir aussi

augmentImages
image

L'action `augmentImages` est une fonctionnalité puissante du traitement d'images dans SAS Viya. Elle permet de créer des versions augmentées d'un jeu d'images en générant des 'patches' (imagettes) et en leur appliquant diverses mutations. Cette technique est fondamentale en apprentissage profond (deep learning) pour enrichir artificiellement les jeux de données, ce qui aide à améliorer la robustesse et la performance des modèles de vision par ordinateur en les exposant à une plus grande variété de scénarios (changements de luminosité, d'angle, de couleur, etc.).

addLayer
deepLearn

L'action `addLayer` est une composante fondamentale de la construction de modèles de deep learning dans SAS Viya. Elle permet d'ajouter séquentiellement une nouvelle couche (layer) à une architecture de réseau neuronal existante. Chaque couche ajoute une transformation spécifique aux données qui la traversent, permettant au modèle d'apprendre des représentations de plus en plus complexes. Cette action est utilisée de manière itérative pour construire le modèle couche par couche, de la couche d'entrée (Input) à la couche de sortie (Output), en passant par diverses couches cachées (convolution, pooling, récurrentes, etc.).

augmentImages
image

The `augmentImages` action is a powerful tool within the Image action set for data augmentation in computer vision tasks. It works by taking an input table of images and generating new, modified images. These transformations can include geometric changes like flipping, rotating, and cropping (creating patches), as well as color and pixel-level mutations such as color jittering, sharpening, lightening, or darkening. This process artificially expands the training dataset, which helps in building more robust and generalized deep learning models by exposing them to a wider variety of image appearances.