awesome-mixed-sample-data-augmentation（xys：数据增广方式最近文章与代码合集）
mixup
目标检测中图像增强，mixup 如何操作？（同时讲解了分类中的mixup代码）
PyTorch实现mixup（其github链接中的mixup实现方式与“目标检测中图像增强，mixup 如何操作？”中类似）
pytorch官方实现
注意：mixup训练过程中，train ACC会大大低于test ACC（10%以上），因为二者的计算方法不一样。train ACC是预测值与两个目标值进行计算，而test ACC是预测值与一个目标值进行计算。(xs用mixup的pytorch官方源码，在cifar10和SIRI-WHU数据集上测试都看到啦这一现象，)
Fmix
青出于蓝而胜于蓝，超越MixUp、CutMix的样本混合数据增广新算法FMix
[数据增广]–AUGMIX：A SIMPLE DATA PROCESSING METHOD TO IMPROVE ROBUSTNESS AND UNCERTA
——说是可以应对训练集与测试集分布不一致的情况，以及数据集中不可预见的损坏。
CVPR2020丨重新思考图像超分辨率的数据增强：综合分析和一个新的策略
论文提出了新的数据增强方法——CutBlur。它通过将低分辨率图像中的图像块裁剪并张贴在高分辨率图像中的对应位置，反之也一样。CurBlur 的关键在于让模型不仅知道如何超分，同时也知道哪里需要超分。（有源码）

细节增强

见本人另一篇博文：小波（小波包）变换频率/频域与图像细节处理

远距离图像的特色增广

加雾
数据增强：图片加雾效果实现Python
[图像处理] 利用PerlinNoise实现图像雾化效果 - 附我的图像处理程序（三种特效）
一种对图像加雾的算法(python实现)
柏林噪声原理介绍
柏林噪声(Python)
【计算机图形】Perlin Noise 实例和理解
柏林噪声产生火焰等纹理
如何生成有趣的柏林噪声 - 游戏中随机地图的算法基础
游戏开发中的噪声算法(在分形噪声中，讲解了柏林噪声的各个参数：Octave，persistence，lacunarity)

产生柏林噪声时，有两个概念：
频率（frequencies）：晶体格的边长（即采样间隔，例如频率越高，单位面积（特指二维）内的晶格数目越多，看起来噪声纹理“越密集”。）
振幅（amplitudes）：返回值的幅度范围
而在地形生成中，地形可能会有大段连绵、高耸山地，也会有丘陵和蚀坑，更小点的有岩石块，甚至更小的鹅卵石块。为了模拟出这样的自然噪声特性，我们可以使用不同的参数进行多几次柏林噪声计算，然后将结果叠加在一起。

python的noise库中，有现成的2D柏林噪声noise2，具有几个参数Octaves，persistence，lacunarity。
Octaves：用于叠加的倍频(噪声图形)的组数
persistence：第i+1组倍频的幅度等于第i组倍频的幅度的persistence倍
lacunarity：第i+1组倍频的频率等于第i组倍频的频率的lacunarity倍
持续度越大，振幅越大，对于图像而言图像更加混乱，对比更加突出，能看出更多细节。

叠加每次的不同的频率是为了让图像在原有的噪声函数的基础上增加更多的细节信息。

过度曝光
复杂的处理解决不均匀的过度曝光问题（与cutmix结合）

相机的测光根据暗的前景和亮的背景计算平均曝光设置。得到的图像展示了在这类照明情况下拍摄的效果。无论是前景还是背景的曝光都不正确。让较暗的前景变亮会去掉背景中剩余的细节，而还原背景中的细节则会让主要对象只留下一个轮廓。

python opencv-批量调整图片的曝光率（gamma变换）
OpenCV使用直方图均衡，修正曝光过度和曝光不足的图片
Skimage图像处理教程3）曝光度调整

几何变形（几何矫正）
几何畸变的类型_halcon图像畸变论述遥感数字图像畸变类型及其产生的原因
细节增强/细节模糊（降采样/引导滤波）
边缘增强（candy算子）

图像增强库

Augmentor和imgaug——python图像数据增强库

imgaug 之 Bounding Boxes
这个部分做object detection的人应该经常用到。
imgaug支持：
—将bounding boxes作为对象表示
—增强boundiing boxes
—在图像上画bounding boxes
—boxing boxes移动，映射，计算IoU

完整的文档链接: http://augmentor.readthedocs.io

数据增广（数据增强）方式相关推荐

图像预处理之数据增广
图像的数据增广文章目录图像的数据增广数据增广的几种方式相关工具包相关代码 Url 数据增广的几种方式翻转变换 flip 随机修剪 random crop 色彩抖动 color jitter ...
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: ...
数据增广+代码实现+QA
前言在做kaggle叶子分类竞赛的时候,我发现我无法完整的布置一个项目尤其是对dataloader无法自我部署,包括数据预处理方面.我看了几篇博客,其实最重要的就是dataloader的书写.所以我 ...
Mixup vs. SamplePairing：ICLR2018投稿论文的两种数据增广方式
在碎片化阅读充斥眼球的时代,越来越少的人会去关注每篇论文背后的探索和思考. 在这个栏目里,你会快速 get 每篇精选论文的亮点和痛点,时刻紧跟 AI 前沿成果. 点击本文底部的「阅读原文」即刻加入社区 ...
转载+记录数据增广的八种常用方式
在图像的深度学习中,为了丰富图像训练集,提高模型的泛化能力,一般会对图像进行数据增强.常用的方式有:旋转.剪切.改变图像色差.扭曲图像特征.改变图像尺寸.增加图像噪声(高斯噪声.盐胶噪声). 思考:对 ...
深度学习训练中关于数据处理方式--原始样本采集以及数据增广
版权声明:本文为博主原创文章,未经博主允许不得转载. https://blog.csdn.net/SMF0504/article/details/78695908 好久没有写博客,一直想重新调整自己的 ...
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 ...
【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 ...
GridMask：SOTA 数据增广方法，显著改进分类、检测、分割效果
点击我爱计算机视觉标星,更快获取CVML新技术本文为52CV粉丝CrazyVertigo投稿,原文链接: https://zhuanlan.zhihu.com/p/103992528 给大家介绍一篇 ...

数据增广（数据增强）方式

细节增强

远距离图像的特色增广

图像增强库

数据增广（数据增强）方式相关推荐

最新文章

热门文章