零基礎入門語義分割 Task2 資料擴增

顏色變換

kernel filters

mixing

random erasing

opencv的資料擴增

albumentations資料擴增

pytorch 處理

顧名思義，資料擴增的原因是原始資料量不足，希望通過擴增達到

mnist 在-20°到20°之間沒問題加大旋轉角可能會影響標籤

平移變換（上下左右）可以避免資料中的位置偏差

當原始影象被平移後造成的空白區域，可以用乙個常數值填充，如 0 或 255 ，也可以用隨機或高斯雜訊填充。這種填充可以保留影象增強後的空間尺寸。

增加高斯雜訊是比較常用的操作，增加雜訊可以幫助 cnns 學習到更 robust feature。

對於訓練資料中存在的位置偏差，幾何變換是非常好的解決方案。有許多潛在的偏差**，可以將訓練資料與測試資料的分布分開。如果存在位置偏差，例如在人臉識別資料集中，每個人臉都是完全居中的，幾何變換是乙個很好的解決方案。除了克服位置偏差的強大能力之外，幾何變換也很有用，因為它們很容易實現。有很多成像處理庫，可以讓水平翻轉和旋轉等操作輕鬆上手。幾何變換的一些缺點包括額外的記憶體、變換計算成本和額外的訓練時間。一些幾何變換，如平移或隨機裁剪等幾何變換必須手動觀察，以確保它們沒有改變影象的標籤。最後，在所涉及的許多應用領域，如醫學影象分析，訓練資料與測試資料之間的偏差比位置偏差和平移偏差更複雜。因此，幾何變換也不一定總是能帶來明顯的效果。

類似於dropout，但random erasing 是在輸入資料空間進行，而非是在網路結構中。這種方法也可以看著是在模擬遮擋的情況，以保證網路關注整個影象，而不是只關注其中的乙個子集。

通常 earsing 的區域直接填充隨機值效果更好。使用的時候需要注意是否標籤安全，可能需要人為的加入一些限制，以保證標籤的正確性。

# 首先讀取原始
img = cv2.imread(train_mask[
'name'
].iloc[0]
)mask = rle_decode(train_mask[
'mask'
].iloc[0]
)plt.figure(figsize=(16
,8))
plt.subplot(1,
2,1)
plt.imshow(img)
plt.subplot(1,
2,2)
plt.imshow(mask)

# 垂直翻轉
plt.figure(figsize=(16
,8))
plt.subplot(1,
2,1)
plt.imshow(cv2.flip(img,0)
)plt.subplot(1,
2,2)
plt.imshow(cv2.flip(mask,0)
)

# 水平翻轉
plt.figure(figsize=(16
,8))
plt.subplot(1,
2,1)
plt.imshow(cv2.flip(img,0)
)plt.subplot(1,
2,2)
plt.imshow(cv2.flip(mask,0)
)

# 隨機裁剪
x, y = np.random.randint(0,
256)
, np.random.randint(0,
256)
plt.figure(figsize=(16
,8))
plt.subplot(1,
2,1)
plt.imshow(img[x:x+
256, y:y+
256]
)plt.subplot(1,
2,2)
plt.imshow(mask[x:x+
256, y:y+
256]
)

import albumentations as a
# 水平翻轉
augments = a.horizontalflip(p=1)
(image=img, mask=mask)
img_aug, mask_aug = augments[
'image'
], augments[
'mask'
]# 隨機裁剪
augments = a.randomcrop(p=
1, height=
256, width=
256)
(image=img, mask=mask)
img_aug, mask_aug = augments[
'image'
], augments[
'mask'
]# 旋轉
augments = a.shiftscalerotate(p=1)
(image=img, mask=mask)
img_aug, mask_aug = augments[
'image'
], augments[
'mask'
]

trfm = a.compose(
[ a.resize(
256,
256)
, a.horizontalflip(p=
0.5)
, a.verticalflip(p=
0.5)
, a.randomrotate90(),
])augments = trfm(image=img, mask=mask)
img_aug, mask_aug = augments[
'image'
], augments[
'mask'
]plt.figure(figsize=(16
,8))
plt.subplot(1,
2,1)
plt.imshow(augments[
'image'])
plt.subplot(1,
2,2)
plt.imshow(augments[
'mask'
])aug

首先要定義dataset和dataloder

import torch.utils.data as d
class
tianchidataset
(d.dataset)
:def
__init__
(self, paths, rles, transform)
: self.paths = paths
self.rles = rles
self.transform = transform
self.
len=
len(paths)
def__getitem__
(self, index)
: img = cv2.imread(self.paths[index]
) mask = rle_decode(self.rles[index]
) augments = self.transform(image=img, mask=mask)
return self.as_tensor(augments[
'image'])
, augments[
'mask'][
none
]def
__len__
(self)
:return self.
len

例項化dataset

trfm = a.compose(
[ a.resize(image_size, image_size)
, a.horizontalflip(p=
0.5)
, a.verticalflip(p=
0.5)
, a.randomrotate90(),
])dataset = tianchidataset(
train_mask[
'name'
].values,
train_mask[
'mask'
].fillna('')
.values,
trfm
)

零基礎入門語義分割 Task2 資料擴增

零基礎入門語義分割 TASK02資料擴增

零基礎入門語義分割 Task6 模型整合

零基礎入門語義分割 Task1 賽題理解

零基礎入門語義分割 Task2 資料擴增

零基礎入門語義分割 TASK02資料擴增

零基礎入門語義分割 Task6 模型整合

零基礎入門語義分割 Task1 賽題理解

相關推薦