Sie trainieren einen überwachten Bildklassifikator, um Katzen zu erkennen. Sie haben insgesamt 1.000 Bilder und einen festen Testsatz von 100 Bildern. Sie stellen fest, dass über 75 % der Fehlklassifizierungen auftreten, wenn Besitzer Katzen auf dem Kopf halten. Welche Technik wird diese Art von Fehler spezifisch reduzieren?

Die Erweiterung der Trainingsdaten durch das Hinzufügen von Bildern mit Rotationsvariationen (Data Augmentation) ist die effektivste Methode, um das Problem der falsch klassifizierten Katzen auf dem Kopf zu lösen. Da der Klassifikator Schwierigkeiten hat, Katzen in dieser spezifischen Ausrichtung zu erkennen, lernt er durch das Hinzufügen von gedrehten Bildern im Trainingsdatensatz, diese Variationen besser zu generalisieren. Das Erhöhen der Trainings-Epochen könnte zu Overfitting führen, ohne das Problem der fehlenden Rotationsinvarianz zu lösen. Das Hinzufügen weiterer Schichten zum neuronalen Netzwerk erhöht die Modellkomplexität, garantiert aber nicht die Lösung dieses spezifischen Problems. Eine Erhöhung der Dropout-Rate kann Overfitting reduzieren, würde aber nicht direkt die Fähigkeit des Modells verbessern, gedrehte Objekte zu erkennen.