小菜鸟对数据增强(data argumentation)的认识

2023-10-29 07:20

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:

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

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

 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)

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

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

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!



http://www.chinasem.cn/article/299129

相关文章

详谈redis跟数据库的数据同步问题

《详谈redis跟数据库的数据同步问题》文章讨论了在Redis和数据库数据一致性问题上的解决方案,主要比较了先更新Redis缓存再更新数据库和先更新数据库再更新Redis缓存两种方案,文章指出,删除R... 目录一、Redis 数据库数据一致性的解决方案1.1、更新Redis缓存、删除Redis缓存的区别二

Redis事务与数据持久化方式

《Redis事务与数据持久化方式》该文档主要介绍了Redis事务和持久化机制,事务通过将多个命令打包执行,而持久化则通过快照(RDB)和追加式文件(AOF)两种方式将内存数据保存到磁盘,以防止数据丢失... 目录一、Redis 事务1.1 事务本质1.2 数据库事务与redis事务1.2.1 数据库事务1.

Oracle Expdp按条件导出指定表数据的方法实例

《OracleExpdp按条件导出指定表数据的方法实例》:本文主要介绍Oracle的expdp数据泵方式导出特定机构和时间范围的数据,并通过parfile文件进行条件限制和配置,文中通过代码介绍... 目录1.场景描述 2.方案分析3.实验验证 3.1 parfile文件3.2 expdp命令导出4.总结

更改docker默认数据目录的方法步骤

《更改docker默认数据目录的方法步骤》本文主要介绍了更改docker默认数据目录的方法步骤,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一... 目录1.查看docker是否存在并停止该服务2.挂载镜像并安装rsync便于备份3.取消挂载备份和迁

不删数据还能合并磁盘? 让电脑C盘D盘合并并保留数据的技巧

《不删数据还能合并磁盘?让电脑C盘D盘合并并保留数据的技巧》在Windows操作系统中,合并C盘和D盘是一个相对复杂的任务,尤其是当你不希望删除其中的数据时,幸运的是,有几种方法可以实现这一目标且在... 在电脑生产时,制造商常为C盘分配较小的磁盘空间,以确保软件在运行过程中不会出现磁盘空间不足的问题。但在

Java如何接收并解析HL7协议数据

《Java如何接收并解析HL7协议数据》文章主要介绍了HL7协议及其在医疗行业中的应用,详细描述了如何配置环境、接收和解析数据,以及与前端进行交互的实现方法,文章还分享了使用7Edit工具进行调试的经... 目录一、前言二、正文1、环境配置2、数据接收:HL7Monitor3、数据解析:HL7Busines

Mybatis拦截器如何实现数据权限过滤

《Mybatis拦截器如何实现数据权限过滤》本文介绍了MyBatis拦截器的使用,通过实现Interceptor接口对SQL进行处理,实现数据权限过滤功能,通过在本地线程变量中存储数据权限相关信息,并... 目录背景基础知识MyBATis 拦截器介绍代码实战总结背景现在的项目负责人去年年底离职,导致前期规

Redis KEYS查询大批量数据替代方案

《RedisKEYS查询大批量数据替代方案》在使用Redis时,KEYS命令虽然简单直接,但其全表扫描的特性在处理大规模数据时会导致性能问题,甚至可能阻塞Redis服务,本文将介绍SCAN命令、有序... 目录前言KEYS命令问题背景替代方案1.使用 SCAN 命令2. 使用有序集合(Sorted Set)

SpringBoot整合Canal+RabbitMQ监听数据变更详解

《SpringBoot整合Canal+RabbitMQ监听数据变更详解》在现代分布式系统中,实时获取数据库的变更信息是一个常见的需求,本文将介绍SpringBoot如何通过整合Canal和Rabbit... 目录需求步骤环境搭建整合SpringBoot与Canal实现客户端Canal整合RabbitMQSp

MyBatis框架实现一个简单的数据查询操作

《MyBatis框架实现一个简单的数据查询操作》本文介绍了MyBatis框架下进行数据查询操作的详细步骤,括创建实体类、编写SQL标签、配置Mapper、开启驼峰命名映射以及执行SQL语句等,感兴趣的... 基于在前面几章我们已经学习了对MyBATis进行环境配置,并利用SqlSessionFactory核