Một trong những kỹ thuật để giải quyết vấn đề không đủ dữ liệu huấn luyện
cho các mô hình học sâu là tăng cường dữ liệu [40]. Đây là kỹ thuật tăng số lượng
dữ liệu huấn luyện bằng các phép tuyến tính hay phi tuyến trên dữ liệu gốc có sẵn.
Kỹ thuật tăng cường dữ liệu giúp mở rộng kích thước của tập dữ liệu dùng cho huấn
luyện thông qua việc áp dụng một loạt thay đổi ngẫu nhiên trên các ảnh, từ đó tạo ra
các mẫu huấn luyện tuy tương tự nhưng vẫn có sự khác biệt. Có thể giải thích tác
dụng của tăng cường ảnh là việc thay đổi ngẫu nhiên các mẫu dùng cho huấn luyện,
làm giảm sự phụ thuộc của mô hình vào một số thuộc tính nhất định. Do đó giúp cải
thiện tính khái quát hóa của mô hình. Có một số phương pháp tăng cường dữ liệu
ảnh ra đa được áp dụng như sau:
– Phương pháp lật theo trục phương vị, phương pháp dịch theo trục cự ly,
phương pháp dịch theo trục phương vị đã được trình bày trong công trình [96]. Mô
hình RAMP-CNN huấn luyện trên tập dữ liệu tăng cường cho kết quả nhận dạng
mục tiêu cao hơn khi sử dụng tập dữ liệu gốc.
– Phương pháp cắt chọn ngẫu nhiên đã được các tác giả [35] áp dụng để tăng
cường ảnh dữ liệu SAR. Việc huấn luyện trên tập dữ liệu tăng cường giúp cho độ
chính xác nhận dạng mục tiêu của mô hình mạng nơ-ron tăng từ 98,75% lên
99,56%.
– Tập dữ liệu các mục tiêu của ra đa FMCW tầm gần được tăng cường theo
phương pháp điều chỉnh cường độ nhiễu, thay đổi cường độ toàn bộ các điểm ảnh
trong nghiên cứu [65]. Khi huấn luyện với bộ mẫu dữ liệu bao gồm 475 ảnh ban
đầu, mô hình mạng nơ-ron chỉ đạt các chỉ số Precision, Recall, F1-Score, Accuracy
từ dưới 40%. Khi tập dữ liệu được tăng cường lên 19950 ảnh thì mô hình mạng nơron
đạt được các chỉ số trên đều lớn hơn 99%.