在圖像分類任務(wù)中，圖像數(shù)據(jù)增強一般是大多數(shù)人會采用的方法之一，這是由于深度學(xué)習(xí)對數(shù)據(jù)集的大小有一定的要求，若原始的數(shù)據(jù)集比較小，無法很好地滿足網(wǎng)絡(luò)模型的訓(xùn)練，從而影響模型的性能，而圖像增強是對原始圖像進(jìn)行一定的處理以擴充數(shù)據(jù)集，能夠在一定程度上提升模型的性能。

本文是我目前正在研究一項內(nèi)容，總結(jié)圖像數(shù)據(jù)增強的一些方法及其有效性。本研究的目的是學(xué)習(xí)如何增加訓(xùn)練數(shù)據(jù)集的大小，通過有限或少量數(shù)據(jù)來訓(xùn)練獲得具有魯棒性的卷積網(wǎng)絡(luò)模型。

這項研究要求列出我們可以想到的所有圖像增強方法，并列舉出所有這些組合，以嘗試和改善圖像分類模型的性能。那么，能夠想到的一些最簡單的增強方法有翻轉(zhuǎn)、平移、旋轉(zhuǎn)、縮放，分離單個r、g、b三個顏色通道以及添加噪聲。更激動人心的增強方法是比較熱門的使用生成對抗網(wǎng)絡(luò)模型，有時交替使用遺傳算法和生成對抗網(wǎng)絡(luò)。此外，還提出了一些創(chuàng)造性方法，例如將類似于Instagram中的高亮濾鏡應(yīng)用于圖像、應(yīng)用隨機區(qū)域銳化濾鏡，以及基于聚類技術(shù)添加平均圖像等。本文將展示如何使用NumPy對圖像進(jìn)行擴充。

下面是上述提到的增強技術(shù)的總結(jié)及說明，如果你能想到其它任何方法來增強圖像，并可以提高圖像分類器的性能，請在留言區(qū)評論。

 

 

原始圖像

增強

所有的數(shù)據(jù)增強都是在沒有OpenCV庫的情況下，使用Numpy完成。

 

 

翻轉(zhuǎn)|Flipping

對圖像進(jìn)行翻轉(zhuǎn)是最流行的圖像數(shù)據(jù)增強方法之一。這主要是由于翻轉(zhuǎn)圖像操作的代碼簡單，以及對于大多數(shù)問題而言，對圖像進(jìn)行翻轉(zhuǎn)操作能夠提升模型的性能。下面的模型可以被認(rèn)為是看到左鞋而不是右鞋，因此通過這種數(shù)據(jù)增加，模型對于看到鞋的潛在變化會變得更加魯棒。

 

 

 

 

平移|Translations

很容易想象對完成檢測任務(wù)的分類器進(jìn)行平移增強能夠提升其性能，好像這個分類模型試圖檢測鞋子何時在圖像中而不是是否在圖像中。這些平移操作將有助于它在無法看清整個鞋子的情況下認(rèn)出鞋子來。

 

左移

 

 

 

 

 

右移

 

 

 

 

上移

 

 

 

 

下移

 

 

加噪|Noise

對圖像加噪音是一種有趣的圖像增強技術(shù)，現(xiàn)在我開始對這類操作變得更加熟悉。我已經(jīng)看過很多關(guān)于對抗網(wǎng)絡(luò)訓(xùn)練的有趣論文，當(dāng)將一些噪音加入到圖像后，模型無法對圖像進(jìn)行正確分類。我仍然在尋找能產(chǎn)生比下圖更好的加噪方法。添加噪聲可能有助于使得畸變更加明顯，并使得模型更加魯棒。

 

 

加噪

 

 

生成對抗網(wǎng)絡(luò)|GAN：

我閱讀了很多關(guān)于生成對抗網(wǎng)絡(luò)的文獻(xiàn)，文獻(xiàn)中很多都使用生成對抗網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)增強，我對此也比較感興趣，下面是我使用MNIST數(shù)據(jù)集生成的一些圖像。

 

 

GAN生成圖像

正如我們從上圖中看到的，它們確實看起來像數(shù)字3、7和9，但實際上，將其送進(jìn)數(shù)字手寫體分類器中，它們并不能被識別為對應(yīng)的數(shù)字。

感謝你閱讀本文，希望你現(xiàn)在知道如何實現(xiàn)對基本數(shù)據(jù)進(jìn)行擴充，以改進(jìn)自己搭建的分類模型!

Connor Shorten，對深度學(xué)習(xí)、算法理論和生物信息學(xué)感興趣

文章原標(biāo)題《Image Augmentation Examples in Python》，譯者：海棠

標(biāo)簽： 代碼 網(wǎng)絡(luò)

版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請與原作者聯(lián)系。