深度学习-数据增强方法
1. 图像增广(image augmentation)
数据增广技术通过对训练图像做一系列随机改变,来产生相似但又不同的训练样本,从而扩大训练数据集的规模。
2.图像增广方法:
1. 翻转和裁剪 左右翻转图像通常不改变物体的类别。它是最早也是最广泛使用的一种图像增广方法。下面我们通过transforms模块创建RandomFlipLeftRight实例来实现一半概率的图像左右翻转。
代码复现:
apply(img, gdata.vision.transforms.RandomFlipLeftRight())
上下翻转不如左右翻转通用。但是至少对于样例图像,上下翻转不会造成识别障碍。下面我们创建RandomFlipTopBottom实例来实现一半概率的图像上下翻转。
代码复现:
apply(img, gdata.vision.transforms.RandomFlipTopBottom())
2.变化颜色 另一类增广方法是变化颜色。我们可以从4个方面改变图像的颜色:亮度、对比度、饱和度和色调。在下面的例子里,我们将图像的亮度随机变化为原图亮度的 50(即 1−0.5) ∼150%(即 1+0.5 )。
代码复现: apply(img, gdata.vision.transforms.RandomBrightness(0.5))
也可以随机变化图像的色调--代码复现
apply(img, gdata.vision.transforms.RandomHue(0.5))
3. 左右翻转 代码: tf.image.random_flip_left_right(cat)
4. 上下翻转 代码: tf.image.random_flip_up_down(cat)
5. 随机裁剪 代码: tf.image.random_crop(cat,(200,200,3))
6. 颜色变换 代码: tf.image.random_brightness(cat,0.5)
原文地址:https://blog.csdn.net/weixin_42958977/article/details/140526958
免责声明:本站文章内容转载自网络资源,如本站内容侵犯了原著者的合法权益,可联系本站删除。更多内容请关注自学内容网(zxcms.com)!