Keras图片增强

CNN中图片具有平移不变形，旋转不变形,如下图，而在实际应用中训练数据常常不足, 或不均衡, 因此我们可以通过增强数据，扩展训练集。

我们可以对现有的数据，进行平移、翻转、旋转、缩放、亮度增强等操作，以生成新的图片来参与训练或测试。

这种操作可以将图片数量提升数倍，由此大大降低了过拟合的可能,因为模型训练了更多的图片，有更好的泛化。

实际上经验，图像增强中使用旋转、翻转，效果不错；

https://keras.io/preprocessing/image/

https://keras-cn.readthedocs.io/en/latest/preprocessing/image/

https://machinelearningmastery.com/image-augmentation-deep-learning-keras/

https://machinelearningmastery.com/how-to-configure-image-data-augmentation-when-training-deep-learning-neural-networks/

https://blog.keras.io/building-powerful-image-classification-models-using-very-little-data.html

Keras中数据增强的类：ImageDataGenerator

keras.preprocessing.image.ImageDataGenerator(featurewise_center=False,samplewise_center=False,featurewise_std_normalization=False,samplewise_std_normalization=False,zca_whitening=False,zca_epsilon=1e-6,rotation_range=0.,width_shift_range=0.,height_shift_range=0.,shear_range=0.,zoom_range=0.,channel_shift_range=0.,fill_mode='nearest',cval=0.,horizontal_flip=False,vertical_flip=False,rescale=None,preprocessing_function=None,data_format=K.image_data_format())

参数

featurewise_center：布尔值，使输入数据集去中心化（均值为0）, 按feature执行

samplewise_center：布尔值，使输入数据的每个样本均值为0

featurewise_std_normalization：布尔值，将输入除以数据集的标准差以完成标准化, 按feature执行

samplewise_std_normalization：布尔值，将输入的每个样本除以其自身的标准差

zca_whitening：布尔值，对输入数据施加ZCA白化

zca_epsilon: ZCA使用的eposilon，默认1e-6

rotation_range：整数，数据提升时图片随机转动的角度

width_shift_range：浮点数，图片宽度的某个比例，数据提升时图片水平偏移的幅度

height_shift_range：浮点数，图片高度的某个比例，数据提升时图片竖直偏移的幅度

shear_range：浮点数，剪切强度（逆时针方向的剪切变换角度）

zoom_range：浮点数或形如[lower,upper]的列表，随机缩放的幅度，若为浮点数，则相当于[lower,upper] = [1 - zoom_range, 1+zoom_range]

channel_shift_range：浮点数，随机通道偏移的幅度

fill_mode：；‘constant’，‘nearest’，‘reflect’或‘wrap’之一，当进行变换时超出边界的点将根据本参数给定的方法进行处理

cval：浮点数或整数，当fill_mode=constant时，指定要向超出边界的点填充的值

horizontal_flip：布尔值，进行随机水平翻转

vertical_flip：布尔值，进行随机竖直翻转

rescale: 重放缩因子,默认为None. 如果为None或0则不进行放缩,否则会将该数值乘到数据上(在应用其他变换之前)

preprocessing_function: 将被应用于每个输入的函数。该函数将在图片缩放和数据提升之后运行。该函数接受一个参数，为一张图片（秩为3的numpy array），并且输出一个具有相同shape的numpy array

data_format：字符串，“channel_first”或“channel_last”之一，代表图像的通道维的位置。该参数是Keras 1.x中的image_dim_ordering，“channel_last”对应原本的“tf”，“channel_first”对应原本的“th”。以128x128的RGB图像为例，“channel_first”应将数据组织为（3,128,128），而“channel_last”应将数据组织为（128,128,3）。该参数的默认值是~/.keras/keras.json中设置的值，若从未设置过，则为“channel_last”

方法

**fit(x, augment=False, rounds=1)：**计算依赖于数据的变换所需要的统计信息(均值方差等),只有使用featurewise_center，featurewise_std_normalization或zca_whitening时需要此函数。

X：numpy array，样本数据，秩应为4.在黑白图像的情况下channel轴的值为1，在彩色图像情况下值为3

augment：布尔值，确定是否使用随即提升过的数据

round：若设augment=True，确定要在数据上进行多少轮数据提升，默认值为1

seed: 整数,随机数种子

flow(self, X, y, batch_size=32, shuffle=True, seed=None, save_to_dir=None, save_prefix=’’, save_format=‘png’)：接收numpy数组和标签为参数,生成经过数据提升或标准化后的batch数据,并在一个无限循环中不断的返回batch数据

x：样本数据，秩应为4.在黑白图像的情况下channel轴的值为1，在彩色图像情况下值为3

y：标签

batch_size：整数，默认32

shuffle：布尔值，是否随机打乱数据，默认为True

save_to_dir：None或字符串，该参数能让你将提升后的图片保存起来，用以可视化

save_prefix：字符串，保存提升后图片时使用的前缀, 仅当设置了save_to_dir时生效

save_format：“png"或"jpeg"之一，指定保存图片的数据格式,默认"jpeg”

yields:形如(x,y)的tuple,x是代表图像数据的numpy数组.y是代表标签的numpy数组.该迭代器无限循环.

seed: 整数,随机数种子

flow_from_directory(directory): 以文件夹路径为参数,生成经过数据提升/归一化后的数据,在一个无限循环中无限产生batch数据

directory: 目标文件夹路径,对于每一个类,该文件夹都要包含一个子文件夹.子文件夹中任何JPG、PNG、BNP、PPM的图片都会被生成器使用.详情请查看此脚本

target_size: 整数tuple,默认为(256, 256). 图像将被resize成该尺寸

color_mode: 颜色模式,为"grayscale",“rgb"之一,默认为"rgb”.代表这些图片是否会被转换为单通道或三通道的图片.

classes: 可选参数,为子文件夹的列表,如[‘dogs’,‘cats’]默认为None. 若未提供,则该类别列表将从directory下的子文件夹名称/结构自动推断。每一个子文件夹都会被认为是一个新的类。(类别的顺序将按照字母表顺序映射到标签值)。通过属性class_indices可获得文件夹名与类的序号的对应字典。

class_mode: “categorical”, “binary”, "sparse"或None之一. 默认为"categorical. 该参数决定了返回的标签数组的形式, "categorical"会返回2D的one-hot编码标签,"binary"返回1D的二值标签."sparse"返回1D的整数标签,如果为None则不返回任何标签, 生成器将仅仅生成batch数据, 这种情况在使用
model.predict_generator()和model.evaluate_generator()等函数时会用到.

batch_size: batch数据的大小,默认32

shuffle: 是否打乱数据,默认为True

seed: 可选参数,打乱数据和进行变换时的随机数种子

save_to_dir: None或字符串，该参数能让你将提升后的图片保存起来，用以可视化

save_prefix：字符串，保存提升后图片时使用的前缀, 仅当设置了save_to_dir时生效

save_format：“png"或"jpeg"之一，指定保存图片的数据格式,默认"jpeg”

flollow_links: 是否访问子文件夹中的软链接

1.ImageDataGenerator数据增强方法

from numpy import expand_dims
from keras.preprocessing.image import load_img
from keras.preprocessing.image import img_to_array
from keras.preprocessing.image import ImageDataGenerator
from matplotlib import pyplot
from PIL import Image
import numpy as np
from keras.preprocessing import image
import keras as K

# load the image
img = image.load_img('bird.jpg')
print(img)
# convert to numpy array
data = image.img_to_array(img)
print(data.shape)pyplot.imshow(img)

<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=640x399 at 0x7F0E848CAD30>
(399, 640, 3)
<matplotlib.image.AxesImage at 0x7f0e84618748>

# expand dimension to one sample
samples = expand_dims(data, 0)
print(samples.shape)

(1, 399, 640, 3)

1.1 随机平移

移动范围可以用像素点，也可以用0~1浮点数，表示移动比例

# create image data augmentation generator
#datagen = ImageDataGenerator(width_shift_range=[-200,200])
datagen = ImageDataGenerator(width_shift_range=0.5,height_shift_range=0.5)# prepare iterator
it = datagen.flow(samples, batch_size=1)
# generate samples and plot
for i in range(9):# define subplotpyplot.subplot(330 + 1 + i)# generate batch of imagesbatch = it.next()# convert to unsigned integers for viewingimage = batch[0].astype('uint8')# plot raw pixel datapyplot.imshow(image)# show the figure
pyplot.show()

1.2 水平或垂直翻转

# create image data augmentation generator
datagen = ImageDataGenerator(horizontal_flip=True,vertical_flip=True)# prepare iterator
it = datagen.flow(samples, batch_size=1)
# generate samples and plot
for i in range(9):# define subplotpyplot.subplot(330 + 1 + i)# generate batch of imagesbatch = it.next()# convert to unsigned integers for viewingimage = batch[0].astype('uint8')# plot raw pixel datapyplot.imshow(image)# show the figure
pyplot.show()

1.3 随机旋转

参数为最大旋转角度

# create image data augmentation generator
datagen = ImageDataGenerator(rotation_range=45)# prepare iterator
it = datagen.flow(samples, batch_size=1)
# generate samples and plot
for i in range(9):# define subplotpyplot.subplot(330 + 1 + i)# generate batch of imagesbatch = it.next()# convert to unsigned integers for viewingimage = batch[0].astype('uint8')# plot raw pixel datapyplot.imshow(image)# show the figure
pyplot.show()

1.4 随机亮度变化

小于1.0表示变暗，大于1.0变亮，1.0不变

# create image data augmentation generator
datagen = ImageDataGenerator(brightness_range=[0.2,5.0])# prepare iterator
it = datagen.flow(samples, batch_size=1)
# generate samples and plot
for i in range(9):# define subplotpyplot.subplot(330 + 1 + i)# generate batch of imagesbatch = it.next()# convert to unsigned integers for viewingimage = batch[0].astype('uint8')# plot raw pixel datapyplot.imshow(image)# show the figure
pyplot.show()

1.5 随机变焦

参数表示缩小，放大的最大范围

# create image data augmentation generator
datagen = ImageDataGenerator(zoom_range=[0.5,1.0])# prepare iterator
it = datagen.flow(samples, batch_size=1)
# generate samples and plot
for i in range(9):# define subplotpyplot.subplot(330 + 1 + i)# generate batch of imagesbatch = it.next()# convert to unsigned integers for viewingimage = batch[0].astype('uint8')# plot raw pixel datapyplot.imshow(image)# show the figure
pyplot.show()

2 在实际训练场景中，数据增强技术的运用

1.图片来源于已知数据集，如mnist;

2.图片来源于普通图片，如本地的jpg,png等；

3.图片来源于panda数据集；

2.1 数据来源已知数据集，操作方法如下：

数据集已经全部读到内存中

from keras.datasets import mnist
from keras.preprocessing.image import ImageDataGenerator
from matplotlib import pyplot
from keras import backend as K#K.set_image_dim_ordering('th')(train_data, train_label), (test_data, test_label) = mnist.load_data()
train_data = train_data.reshape(train_data.shape[0], 1, 28, 28)
train_data = train_data.astype('float32')# 创建图像生成器，指定对图像操作的内容，允许图片标准化处理
datagen = ImageDataGenerator(featurewise_center=True, featurewise_std_normalization=True, horizontal_flip=True)
# 图像生成器要训练的数据,计算均值，方差等
datagen.fit(train_data)# 这是个图像生成迭代器，是可以无限生成各种新图片，这里指定每轮迭代只生成9张图片
for batch_data, batch_label in datagen.flow(train_data, train_label, batch_size=9):for i in range(0, 9):# 创建一个 3*3的九宫格，以显示图片pyplot.subplot(330 + 1 + i)pyplot.imshow(batch_data[i].reshape(28, 28), cmap=pyplot.get_cmap('gray'))pyplot.show()break

2.2数据来源图片集，其操作方法如下：

实际应用中，大部分场景是从硬盘读取图片，并且图片太多，不可能一次性都读到硬盘，那么可以对传入的目录，随机读取并且做数据增广

1.对已经读取到内存的单张图片数据(数组)，做随机增广

可以为单个类别创建augment_times个增广图片

from numpy import expand_dims
from keras.preprocessing.image import load_img
from keras.preprocessing.image import img_to_array
from keras.preprocessing.image import ImageDataGenerator
from matplotlib import pyplot
from PIL import Image
import numpy as np
from keras.preprocessing import image
import keras as K# load the image
img = image.load_img('bird.jpg')
print(img)
# convert to numpy array
data_bird = image.img_to_array(img)
print(data_bird.shape)pyplot.imshow(img)

data_gen = ImageDataGenerator(rescale = .1, # TODO：随机缩放图像RGB值的倍数rotation_range =0.15 , # TODO：随机旋转图像的范围zoom_range = 0.1,  # TODO：随机缩放图像大小范围width_shift_range = 0.2,  # TODO：随机水平方向平移图像(fraction of total width)height_shift_range= 0.2,  # TODO：随机纵向平移图像(fraction of total height)horizontal_flip=True,
)

augment_times = 5
data_x = []
data_y = []
i = 0
for _ in range(augment_times):face_aug = data_gen.random_transform(data_bird)data_x.append(face_aug)#data_y.append(name_dict[subdir])plt.subplot(2,3,1+i)plt.imshow(array_to_img(face_aug))#i = i+1

2从目录随机读取所有类别图片，做数据增广

详细功能解释见代码注释

ps:实测发现迭代器产生图片的

#需要说明的是，这些增强图片都是在内存中实时批量迭代生成的，不是一次性被读入内存，这样可以极大地节约内存空间，加快处理速度。若想保留中间过程生成的增强图片，可以在上述方法中添加保存路径等参数，此处不再赘述。
import matplotlib.pyplot as pltbatch_size = 32
# 迭代50次
epochs = 50
# 依照模型规定，图片大小被设定为224
IMAGE_SIZE = 224TRAIN_PATH = './data/17flowerclasses/train'
TEST_PATH = './data/17flowerclasses/test'FLOWER_CLASSES = ['Bluebell', 'ButterCup', 'ColtsFoot']# 使用数据增强
train_datagen = ImageDataGenerator(rotation_range=90)
# 可指定输出图片大小，因为深度学习要求训练图片大小保持一致
train_generator = train_datagen.flow_from_directory(directory=TRAIN_PATH,target_size=(IMAGE_SIZE, IMAGE_SIZE),classes=FLOWER_CLASSES)from keras.preprocessing.image import ImageDataGenerator, array_to_img, img_to_array, load_img
import numpy as np
datagen = ImageDataGenerator(rotation_range=40,width_shift_range=0.2,height_shift_range=0.2,shear_range=0.2,zoom_range=0.2,horizontal_flip=True,fill_mode='nearest')
# 这里因为设置了save_to_dir参数，实际会保存所有增广图片到save_to_dir目录
dataflow_generator=datagen.flow_from_directory(r'./data/17flowerclasses/train',#类别子文件夹的上一级文件夹batch_size=6,shuffle=False,save_to_dir=r'./train_result',save_prefix='trans_',save_format='jpg')
filenames = dataflow_generator.filenames
labels = dataflow_generator.class_indices
print(filenames)#dataflow_generator实际上是一个无限迭代器
for i in range(1):dataflow_generator.next()
sample_count = 10
i = 0#此处image_data是一个2xlen(image_data[1])序列，
#image_data[0][...]存放batch_size张图片
#image_data[1][...]存放batch_size对应标签，默认自动创建为独热编码标签for image_data in dataflow_generator:print(len(image_data[1]))for j in range(0,len(image_data[1])):if i >= 15:breakplt.subplot(3,5,1+i)image = image_data[0][j].astype('uint8')#print(type(image_data))plt.imshow(array_to_img(image))#图片转化为image格式，方便显示#plt.imshow(image)i += 1print(image_data[1][j])          #label#print(image_data[0][0].shape) #imagesample_count -= 1if sample_count <= 0:break

Found 14 images belonging to 3 classes.
Found 14 images belonging to 3 classes.
['Bluebell/image_0241.jpg', 'Bluebell/image_0242.jpg', 'Bluebell/image_0243.jpg', 'Bluebell/image_0244.jpg', 'Bluebell/image_0245.jpg', 'ButterCup/image_1121.jpg', 'ButterCup/image_1122.jpg', 'ButterCup/image_1123.jpg', 'ButterCup/image_1124.jpg', 'ButterCup/image_1125.jpg', 'ColtsFoot/image_0881.jpg', 'ColtsFoot/image_0882.jpg', 'ColtsFoot/image_0883.jpg', 'ColtsFoot/image_0884.jpg']
6
[0. 1. 0.]
[0. 1. 0.]
[0. 1. 0.]
[0. 1. 0.]
[0. 0. 1.]
[0. 0. 1.]
2
[0. 0. 1.]
[0. 0. 1.]
6
[1. 0. 0.]
[1. 0. 0.]
[1. 0. 0.]
[1. 0. 0.]
[1. 0. 0.]
[0. 1. 0.]
6
[0. 1. 0.]
2
6
6
2
6
6

举一个从硬盘读取图片做数据增广多分类的实例

import csv
import cv2
import numpy as np
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
import pandas as pdimport sklearn
import os
import randomimport tensorflow as tf

BATCH_SIZE = 16# 迭代50次
EPOCHS = 10# 依照模型规定，图片大小被设定为224
IMAGE_SIZE = 224TRAIN_PATH = './17flowerclasses/train'
TEST_PATH = './17flowerclasses/test'
FLOWER_CLASSES = ['Bluebell', 'ButterCup', 'ColtsFoot', 'Cowslip', 'Crocus', 'Daffodil', 'Daisy','Dandelion', 'Fritillary', 'Iris', 'LilyValley', 'Pansy', 'Snowdrop', 'Sunflower','Tigerlily', 'tulip', 'WindFlower']# 使用数据增强
train_datagen  = ImageDataGenerator(rotation_range=40,width_shift_range=0.2,height_shift_range=0.2,shear_range=0.2,zoom_range=0.2,horizontal_flip=True,fill_mode='nearest')
# 可指定输出图片大小，因为深度学习要求训练图片大小保持一致
train_generator = train_datagen.flow_from_directory(directory=TRAIN_PATH,target_size=(IMAGE_SIZE, IMAGE_SIZE),batch_size = BATCH_SIZE,classes=FLOWER_CLASSES)
test_datagen = ImageDataGenerator()
test_generator = test_datagen.flow_from_directory(directory=TEST_PATH, target_size=(IMAGE_SIZE, IMAGE_SIZE),classes=FLOWER_CLASSES)

Found 1190 images belonging to 17 classes.
Found 170 images belonging to 17 classes.

from keras.layers import Conv2D, MaxPooling2D, GlobalAveragePooling2D
from keras.layers import Dropout, Flatten, Dense
from keras.models import Sequentialmodel = Sequential()### TODO: 定义你的网络架构model.add(Conv2D(filters=32, kernel_size=3, padding='valid', activation='relu', input_shape=(224, 224, 3)))
#model.add(Conv2D(32, (3,3), input_shape=(160, 160, 3), activation="relu"))
model.add(MaxPooling2D(pool_size=2))
#model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Dropout(0.5))model.add(Conv2D(filters=64, kernel_size=3, padding='valid', activation='relu'))
model.add(MaxPooling2D(pool_size=2))model.add(Dropout(0.5))
model.add(Conv2D(filters=128, kernel_size=3, padding='valid', activation='relu'))model.add(GlobalAveragePooling2D())model.add(Dropout(0.5))model.add(Dense(17, activation='softmax'))model.summary()

Model: "sequential_18"
_________________________________________________________________
Layer (type)                 Output Shape              Param #
=================================================================
conv2d_52 (Conv2D)           (None, 222, 222, 32)      896
_________________________________________________________________
max_pooling2d_38 (MaxPooling (None, 111, 111, 32)      0
_________________________________________________________________
dropout_49 (Dropout)         (None, 111, 111, 32)      0
_________________________________________________________________
conv2d_53 (Conv2D)           (None, 109, 109, 64)      18496
_________________________________________________________________
max_pooling2d_39 (MaxPooling (None, 54, 54, 64)        0
_________________________________________________________________
dropout_50 (Dropout)         (None, 54, 54, 64)        0
_________________________________________________________________
conv2d_54 (Conv2D)           (None, 52, 52, 128)       73856
_________________________________________________________________
global_average_pooling2d_15  (None, 128)               0
_________________________________________________________________
dropout_51 (Dropout)         (None, 128)               0
_________________________________________________________________
dense_21 (Dense)             (None, 17)                2193
=================================================================
Total params: 95,441
Trainable params: 95,441
Non-trainable params: 0
_________________________________________________________________


from keras.callbacks import ModelCheckpoint   # train the model
checkpointer = ModelCheckpoint(filepath='flowers.weights.best.hdf5', verbose=1, save_best_only=True)model.compile(optimizer='rmsprop',loss='categorical_crossentropy', metrics=['accuracy'])

#model.fit(X_train,y_train,validation_split=0.2,shuffle=True,epochs=20)
history_object = model.fit_generator(train_generator,validation_data=test_generator, epochs=EPOCHS)

Epoch 1/10
75/75 [==============================] - 29s 383ms/step - loss: 7.8649 - accuracy: 0.0849 - val_loss: 2.3924 - val_accuracy: 0.1176
Epoch 2/10
75/75 [==============================] - 28s 379ms/step - loss: 2.5159 - accuracy: 0.1689 - val_loss: 2.5512 - val_accuracy: 0.2471
Epoch 3/10
75/75 [==============================] - 28s 377ms/step - loss: 2.3332 - accuracy: 0.2563 - val_loss: 2.0680 - val_accuracy: 0.3000
Epoch 4/10
75/75 [==============================] - 28s 377ms/step - loss: 2.2113 - accuracy: 0.2866 - val_loss: 2.2407 - val_accuracy: 0.3059
Epoch 5/10
75/75 [==============================] - 28s 377ms/step - loss: 2.0356 - accuracy: 0.3244 - val_loss: 2.4963 - val_accuracy: 0.2941
Epoch 6/10
75/75 [==============================] - 29s 380ms/step - loss: 2.0376 - accuracy: 0.3403 - val_loss: 1.7107 - val_accuracy: 0.3588
Epoch 7/10
75/75 [==============================] - 30s 407ms/step - loss: 1.9415 - accuracy: 0.3689 - val_loss: 2.1597 - val_accuracy: 0.3118
Epoch 8/10
75/75 [==============================] - 32s 421ms/step - loss: 1.9102 - accuracy: 0.3571 - val_loss: 1.8596 - val_accuracy: 0.3353
Epoch 9/10
75/75 [==============================] - 31s 416ms/step - loss: 1.8563 - accuracy: 0.3975 - val_loss: 2.3684 - val_accuracy: 0.3235
Epoch 10/10
75/75 [==============================] - 31s 415ms/step - loss: 1.8305 - accuracy: 0.4202 - val_loss: 2.0994 - val_accuracy: 0.4118

机器学习17：用Keras实现图片数据增广的方法和实践相关推荐

PyTorch 使用torchvision进行图片数据增广
使用torchvision来进行图片的数据增广数据增强就是增强一个已有数据集,使得有更多的多样性.对于图片数据来说,就是改变图片的颜色和形状等等.比如常见的: 左右翻转,对于大多数数据集都可以使用: ...
【工大SCIR笔记】自然语言处理领域的数据增广方法
点击上方,选择星标或置顶,每天给你送干货! 作者:李博涵来自:哈工大SCIR 1.摘要本文介绍自然语言处理领域的数据增广方法.数据增广(Data Augmentation,也有人将Data Aug ...
【深度学习】基于深度学习的数据增广技术一览
◎作者系极市原创作者计划特约作者Happy 周末在家无聊,偶然兴心想对CV领域常用的数据增广方法做个简单的调研与总结,重点是AI时代新兴的几种反响还不错的方法.各种第三方与官方实现代码等.那么今天由H ...
嵌入式AI —— 6. 为糖葫芦加糖，浅谈深度学习中的数据增广
没有读过本系列前几期文章的朋友,需要先回顾下已发表的文章: 开篇大吉集成AI模块到系统中模型的部署 CMSIS-NN介绍从穿糖葫芦到织深度神经网络又和大家见面了,上次本程序猿介绍了CMSIS- ...
自然语言处理领域的数据增广方法
1.摘要本文介绍自然语言处理领域的数据增广方法.数据增广(Data Augmentation,也有人将Data Augmentation翻译为"数据增强",然而"数据增 ...
计算机视觉的数据增广技术大盘点！附涨点神器，已开源！
如果要把深度学习开发过程中几个环节按重要程度排个序的话,相信准备训练数据肯定能排在前几位.要知道一个模型网络被编写出来后,也只是一坨代码而已,和智能基本不沾边,它只有通过学习大量的数据,才能学会如何作 ...
图数据增广(Graph Data Augmentation)近期进展
本文旨在简要总结近期在 graph 领域新提出的数据增广方法,带领读者了解图数据增广的基本定义和最新进展. 1 简介近年来,以数据为驱动的推理在数据增广技术的引进后,泛化能力和模型性能方面得到了显着 ...
YOLOv5添加自定义数据增广方法
YOLOv5添加自定义数据增广方法虽然YOLOv5内置数据增广方法非常丰富,包括随机旋转.翻转.HSV-Saturation等.但仍然有添加自定义的数据增广方法的情况.例如使用N+L策略训练网络.N ...
基于深度学习的数据增广技术一览
周末在家无聊,偶然兴心想对CV领域常用的数据增广方法做个简单的调研与总结,重点是AI时代新兴的几种反响还不错的方法.各种第三方与官方实现代码等.那么今天由Happy来跟大家聊一聊深度学习中那些常用的数 ...

机器学习17：用Keras实现图片数据增广的方法和实践