本文主要是介绍小菜鸟对数据增强(data argumentation)的认识,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
因为深度学习是数据驱动的,所以要想训练一个比较好的神经网络必须要有足够的数据,否则训练出来的网络会出现过拟合等问题。当数据量较少的时候,我们可以使用数据增强等方法来手动增加数据量。常见的数据增强方法有如下几种:
①随机裁剪:几乎所有深度学习框架训练都使用的一种数据增强方法,在很多有名的深度学习网络(AlexNet, VGG, GoogLeNet, ResNet…)的训练中,对输入的256*256图像,通常会以224或227的窗口随机获得子图作为训练集,以图像中心的子块作为测试集。
python实现:
import numpy.random as np#给定原始图像img和想要获取的图像维度[size_h,size_w],求出图中的红色矩形大小;想要获取的图像的左上角坐标一定落在红色矩阵中
def randomCrop(img,size_h,size_w):rows,cols = img.shape[:2]left_h = np.randint(0,rows-size_h)left_w = np.randint(0,cols-size_w)crop_img = img[left_h:left_h+size_h,left_w:left_w+size_w]return crop_img
② 翻转:左右翻转也叫水平翻转或镜像,将图像的左右部分以图像垂直中轴线为中心进行镜像对换。
python实现:
#水平翻转
def horizontalFlip(img):size = img.shapeh,w = size[0],size[1]iLR = img.copy()for i in range(h):for j in range(w):iLR[i,j] = img[i,w-j-1]return iLR#竖直翻转
def verticalFlip(img):size = img.shapeh,w = size[0],size[1]iLR = img.copy()for i in range(h):for j in range(w):iLR = [i,j] = img[h-i-1,j]return iLR
③旋转:图像旋转一般是以图像中心为旋转中心进行随机旋转的,其有一个正负角度约束。
python实现:
import numpy as np
from skimage.transform import rotatedef img_rotate(img,angle):return rotate(img,angle)#角度约束
rotate_limit = (-30,30)
theta = np.pi/180*np.random.uniform(rotate_limit[0],rotate_limit[1])
img_rot = img_rotate(img,theta)
④平移:图像沿着X轴和Y轴的平移一共有以下四种情况。
python实现:
#向右?平移
def move_right(img,dis):size = img.shapeh,w = size[0],size[1]iLR = img.copy()for i in range(h):for j in range(w):if j >= dis:iLR[i,j] = img[i,j-dis]else:iLR[i,j] = 0return iLR#向左?平移
def move_left(img,dis):size = img.shapeh,w = size[0],size[1]iLR = img.copy()for i in range(h):for j in range(w):if j <= w-dis-1:iLR[i,j] = img[i,j+dis]else:iLR[i,j] = 0return iLR#向上?平移
def move_up(img,dis):size = img.shapeh,w = size[0],size[1]iLR = img.copy()for i in range(h):for j in range(w):if i <= h-dis-1:iLR[i,j] = img[i+dis,j]else:iLR[i,j] = 0return iLR#向下?平移
def move_down(img,dis):size = img.shapeh,w = size[0],size[1]iLR = img.copy()for i in range(h):for j in range(w):if i >= dis:iLR[i,j] = img[i-dis,j]else:iLR[i,j] = 0return iLR
⑤缩放:全卷积网络对于尺度没有严格要求,如目标检测算法yolo2-v3在训练过程中会对样本进行随机尺度变换,实现多尺度训练,进而跨尺度特征融合。同时也使得模型对于不同尺度的图像有更强的适应性。
python实现:
from skimage.transform import rescaledef imge_resize(img,scale):result = rescale(img,scale)return result
⑥加入噪声(高斯噪声): 一般对图像加入高斯噪声可以使得图像变得更加模糊,从而模拟模糊情况。
python实现:
from skimage import utildef gaussNoise(img):noise_img = util.random_noise(img,mode='gaussian')result = util.img_as_ubyte(noise_img)return result
参考:https://blog.csdn.net/ouyangfushu/article/details/88186513
这篇关于小菜鸟对数据增强(data argumentation)的认识的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!