位置: IT常识 - 正文

【语义分割】数据增强方法(原图与标签同时扩增)(语义分割入门教程)

编辑:rootadmin
【语义分割】数据增强方法(原图与标签同时扩增) 1、数据增强作用

推荐整理分享【语义分割】数据增强方法(原图与标签同时扩增)(语义分割入门教程),希望有所帮助,仅作参考,欢迎阅读内容。

文章相关热门搜索词:语义分割 iou,语义分割定义,语义分割什么意思,语义分割入门教程,语义分割定义,语义分割入门教程,语义分割常用算法,语义分割定义,内容如对您有帮助,希望把文章链接给更多的朋友!

   避免过拟合

   提升模型的鲁棒性

  提高模型的泛化能力

  避免样本不均衡的问题

2.、数据增强分类

可分为两类:在线增强和离线增强。这两者的区别在于离线增强是在训练前对数据集进行处理,往往能得到多倍的数据集,在线增强是在训练时对加载数据进行预处理,不改变训练数据的数量。

离线增强一般用于小型数据集,在训练数据不足时使用,在线增强一般用于大型数据集。

3、方法

比较常用的几何变换方法主要有:翻转,旋转,裁剪,缩放,平移转换,色彩抖动,尺度变换,对比度变换,噪声扰动,旋转变换;

比较常用的像素变换方法有:加椒盐噪声,高斯噪声,进行高斯模糊,调整HSV对比度,调节亮度,饱和度,直方图均衡化,调整白平衡等。

使用Augmentor模块增强

注意: 原图与标签图的后缀名必须保持一致,否则只标签图不会增强的

因为我的图像是由labelme标注的,且将其转化为voc的格式,转化后原图为jpg,原图为png,因为需要统一。统一方式如下:批量修改图像后缀名。

1、安装: 创建一个环境,然后输入安装命令,命令如下

pip install Augmentor

conda install Augmentor

显示安装成功,既可以继续了。

 2、使用:

语义分割任务需要同时对原始图和掩码图(mask)进行增强,因此,很多现有的深度学习框架中自带的图像增强工具都不能直接使用。但是通过Augmentor可以很方便的实现该功能。下面举例说明。将图像原图以及它们对应的掩码图,分别放在test1文件夹以及test2文件夹中。使用以下代码进行增强

原始图

标签图

#导入数据增强工具import Augmentor#确定原始图像存储路径以及标签图的文件存储路径,创建Pipeline实例pp = Augmentor.Pipeline("originalImages")p.ground_truth("Segmentationimages")

(1)旋转(rotate)

【语义分割】数据增强方法(原图与标签同时扩增)(语义分割入门教程)

probability指定进行操作的概率大小,max_left_rotation, max_right_rotation指定向左向右最大旋转角度,最大值为25。sample表示从给定图像中生成指定数量的增强图像,可指定多个。

rotate操作默认在对原图像进行旋转之后进行裁剪,输出与原图像同样大小的增强图像。

p.rotate(probability=1, max_left_rotation=25, max_right_rotation=25)p.sample(1)

(2)缩放(scale),但貌似只能等比放大

scale_factor表示缩放比例,只能大于1,且为等比放大。

p.scale(probability=1, scale_factor=1.3)

(3)翻转(flip)

左右翻转、上下翻转、随机翻转

p.flip_random(probability=1) %随机翻转p.flip_left_right(probability=0.5) %左右翻转p.flip_top_bottom(probability=0.5) %上下翻转

(4)随机亮度增强/减弱(random_brightness)

min_factor, max_factor为变化因子,决定亮度变化的程度,可根据效果指定。

p.random_brightness(probability=1, min_factor=0.7, max_factor=1.2) %随机亮度p.random_color(probability=1, min_factor=0.0, max_factor=1) %随机颜色p.random_contrast(probability=1, min_factor=0.7, max_factor=1.2) %随机对比度

(5)随机透视变形(skew)

magnitude表示变形程度。隐藏参数skew_type,值为``TILT``, ``TILT_TOP_BOTTOM``, ``TILT_LEFT_RIGHT``,  ``CORNER``,展开源码才可以看到。源码中采用randomly的方式从四种参数中选择,不需指定。

其中,``TILT_TOP_BOTTOM``表示只在顶部底部方向进行透视变形。

``TILT_LEFT_RIGHT``表示只在左右方向进行透视变形。

``CORNER``表示只在四角方向进行透视变形。

``TILT``包含上述方向的集合,即上下左右和四角的八个方向。  

p.skew(probability=1, magnitude=0.8)

(6)随机剪切(shear)

剪切变换,max_shear_left,max_shear_right为剪切变换角度

p.shear(probability=1, max_shear_left=15, max_shear_right=15)

(7)随机裁剪(random_crop)

percentage_area表示裁剪面积占原图像面积的比例,centre指定是否从图片中间裁剪,randomise_percentage_area指定是否随机生成裁剪面积比。

p.crop_random(probability=1, percentage_area=0.8, centre=False, randomise_percentage_area=True)

(8)随机擦除/遮挡(random_erasing)

rectangle_area指定随机擦除面积的百分比。当然这个指定的是擦除面积的上限。

p.random_erasing(probability=1, rectangle_area=0.5)

(9)小块变形distortion

p.random_distortion(probability=0.8,grid_width=10,grid_height=10, magnitude=20)

完整代码:

import Augmentor# 确定原始图像存储路径以及掩码文件存储路径,需要把“\”改成“/”p = Augmentor.Pipeline("originalImages")p.ground_truth("Segmentationimages")# 图像旋转: 按照概率0.8执行,范围在0-25之间p.rotate(probability=0.8, max_left_rotation=25, max_right_rotation=25)# 图像左右互换: 按照概率0.5执行p.flip_left_right(probability=0.5)p.flip_top_bottom(probability=0.5)# 图像放大缩小: 按照概率0.8执行,面积为原始图0.85倍p.zoom_random(probability=0.3, percentage_area=0.85)#scale_factor表示缩放比例,只能大于1,且为等比放大。p.scale(probability=1, scale_factor=1.3)#小块变形p.random_distortion(probability=0.8,grid_width=10,grid_height=10, magnitude=20)#随机亮度增强/减弱,min_factor, max_factor为变化因子,决定亮度变化的程度,可根据效果指定p.random_brightness(probability=1, min_factor=0.7, max_factor=1.2)#随机颜色/对比度增强/减弱#p.random_color(probability=1, min_factor=0.0, max_factor=1)p.random_contrast(probability=1, min_factor=0.7, max_factor=1.2)#随机剪切(shear) max_shear_left,max_shear_right为剪切变换角度 范围0-25p.shear(probability=1, max_shear_left=10, max_shear_right=10)#随机裁剪(random_crop)p.crop_random(probability=1, percentage_area=0.8, randomise_percentage_area=True)#随机翻转(flip_random)p.flip_random(probability=1)# 最终扩充的数据样本数可以更换为100。1000等p.sample(10)

会自动生成一个out结果,效果如下:

 然后自己手动分开即可。

本文链接地址:https://www.jiuchutong.com/zhishi/295220.html 转载请保留说明!

上一篇:vue3中使用vue-i18n(ts中使用$t, vue3不用this)(vue3中使用for循环引用多个组件)

下一篇:vue实现思维导图(vue思维导图怎么下载)

  • 2023小规模纳税人所得税税收优惠政策
  • 增值税税控系统技术维护费怎么做账
  • 劳动收入与报酬的具体形式有哪些
  • 交易性资产入账金额和入账金额区别
  • 增值税税差怎么算
  • 加盟费是怎么回事
  • 福利企业要求
  • 契税的会计分录有哪些
  • 合并报表的抵消分录要做账吗
  • 没收逾期未退包装物押金收益,应计入( )科目
  • 生产单位车间设计费应该计入什么科目?
  • 待处理财产损益是什么意思
  • 交易性金融资产借贷方向
  • 企业所得税汇算清缴退税分录
  • 公司注销后如何申请强制执行
  • 增值税发票含税不含税怎样调整
  • 差额纳税的会计处理
  • 企业汇算清缴后税务局会不会查
  • 一般纳税人普通发票要交增值税吗
  • 增值税申报错误怎么处理
  • 找私人买东西不发货算诈骗吗
  • 产品检测步骤
  • 个体工商户未给员工缴纳社保
  • linux 将一个文件的内容给另一个文件
  • 原材料暂估分录
  • 鸿蒙2.0正式版升级
  • php serialize()与unserialize() 不完全研究
  • 爱沙尼亚的故事
  • PHP:imagesetstyle()的用法_GD库图像处理函数
  • 期间损益包括
  • 前端实现文件下载功能
  • 每个月需不需要期末结账
  • AttributeError: ‘bytes‘ object has no attribute ‘encode‘异常解决方案
  • php绘制图片
  • 调入的无形资产记入哪里
  • 安装elipse教程
  • lama羊驼
  • 计算机视觉opencv项目简单代码
  • 让我用用你的计算机
  • php use of undefined constant
  • 生活垃圾处理费标准
  • 织梦数据库连接失败的原因
  • 专用发票跨月冲红流程
  • mongodb 设置用户名密码
  • sql字符串处理函数
  • 分配利润时会计分录
  • 无形资产如何做账务处理
  • 现金短缺与溢余的区别
  • 应交税费借方是增加还是减少
  • 冲销管理费用如何做分录
  • 过户车子需要带什么证件
  • 物流托运不给发货
  • 金融资产或金融负债初始入账价值
  • 营业成本包括三大费用如何称呼
  • 开始建账需要哪些数据
  • MySQL数据库安装后通常默认的管理员用户名为
  • 微软正在准备windows
  • linux中安装软件可使用哪些方式
  • 怎么把ubuntu装在u盘上
  • linux 安装vs
  • WINDOWS命令行为什么删除速度很快
  • win10 怎么恢复
  • 安装win8.1系统步骤
  • window102021年更新计划
  • macbookpro接听苹果手机电话
  • win8电脑怎么设置定时开机
  • win7无网激活
  • 写一个bat文件
  • matplotlib pypi
  • jquery函数定义
  • div-css
  • 耳机插头怎么拔
  • js判断数据是否存在
  • python嵌套语句
  • javascript教程 csdn
  • javascript基础类型
  • flask框架下使用scrapy框架
  • 全国退休人员有几多人
  • 最新印花税税目表2022
  • 中国进口0号柴油价格
  • 免责声明:网站部分图片文字素材来源于网络,如有侵权,请及时告知,我们会第一时间删除,谢谢! 邮箱:opceo@qq.com

    鄂ICP备2023003026号

    网站地图: 企业信息 工商信息 财税知识 网络常识 编程技术

    友情链接: 武汉网站建设