Compartilhamento de tecnologia

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

1. Aprimoramento de dados

1. Adicione um conjunto de dados existente para fornecer mais diversidade, como adicionar diferentes ruídos de fundo e alterar a cor e a forma da imagem.

2. Dados aprimorados são gerados online

3. Tipo de aprimoramento:

(1) Virar

(2) Corte

(3) Cor

(4) Afie e adicione pontos

2. Resumo

1. O aumento de dados obtém diversidade ao deformar os dados, tornando o modelo mais generalizável.

2. Os aprimoramentos comuns de imagem incluem inversão, corte e descoloração

3. Basta alterar o conjunto de dados

4. Para obter resultados precisos durante o processo de predição, geralmente realizamos apenas o aumento de imagem nas amostras de treinamento e não usamos o aumento de imagem com operações aleatórias durante o processo de predição.

5. A estrutura de aprendizagem profunda fornece muitos métodos diferentes de aumento de imagem, que podem ser aplicados simultaneamente.

3. Código

1. Método de aumentoaug

def apply(img, aug, num_rows=2, num_cols=4, scale=1.5):
    Y = [aug(img) for _ in range(num_rows * num_cols)]
    d2l.show_images(Y, num_rows, num_cols, scale=scale)

2. Virar

apply(img, torchvision.transforms.RandomHorizontalFlip())
apply(img, torchvision.transforms.RandomVerticalFlip())

3. Corte

#面积为原始面积10%到100%的区域，宽高比从0.5～2之间随机取值
shape_aug = torchvision.transforms.RandomResizedCrop(
    (200, 200), scale=(0.1, 1), ratio=(0.5, 2))
apply(img, shape_aug)

4. Brilho

apply(img, torchvision.transforms.ColorJitter(
    brightness=0.5, contrast=0, saturation=0, hue=0))

5. Tom de cor

apply(img, torchvision.transforms.ColorJitter(
    brightness=0, contrast=0, saturation=0, hue=0.5))

brilho(brightness), contraste (contrast),saturação(saturation) e matiz (hue）

6. Misture

augs = torchvision.transforms.Compose([
    torchvision.transforms.RandomHorizontalFlip(), color_aug, shape_aug])
apply(img, augs)