imgaug库图像增强指南(17):揭秘【iaa.Dropout】——数据增强的隐秘武器

这篇具有很好参考价值的文章主要介绍了imgaug库图像增强指南(17):揭秘【iaa.Dropout】——数据增强的隐秘武器。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

引言

在深度学习和计算机视觉的世界里,数据是模型训练的基石,其质量与数量直接影响着模型的性能。然而,获取大量高质量的标注数据往往需要耗费大量的时间和资源。正因如此,数据增强技术应运而生,成为了解决这一问题的关键所在。而imgaug,作为一个功能强大的图像增强库,为我们提供了简便且高效的方法来扩充数据集。本系列博客将带您深入了解如何运用imgaug进行图像增强,助您在深度学习的道路上更进一步。我们将从基础概念讲起,逐步引导您掌握各种变换方法,以及如何根据实际需求定制变换序列。让我们一起深入了解这个强大的工具,探索更多可能性,共同推动深度学习的发展。


前期回顾

链接 主要内容
imgaug库指南(十):从入门到精通的【图像增强】之旅 详细介绍了imgaug库的数据增强方法 —— 加性噪声(AddElementwise方法)
imgaug库指南(11):从入门到精通的【图像增强】之旅 详细介绍了imgaug库的数据增强方法 —— 加性高斯噪声(AdditiveGaussianNoise方法)
imgaug库指南(12):从入门到精通的【图像增强】之旅 详细介绍了imgaug库的数据增强方法 —— 加性拉普拉斯噪声(AdditiveLaplaceNoise方法)
imgaug库指南(13):从入门到精通的【图像增强】之旅 详细介绍了imgaug库的数据增强方法 —— 加性泊松噪声(AdditivePoissonNoise方法)
imgaug库指南(14):从入门到精通的【图像增强】之旅 详细介绍了imgaug库的数据增强方法 —— 乘法运算(Multiply方法)
imgaug库指南(15):从入门到精通的【图像增强】之旅 详细介绍了imgaug库的数据增强方法 —— 乘法运算(MultiplyElementwise方法)
imgaug库指南(16):从入门到精通的【图像增强】之旅 详细介绍了imgaug库的数据增强方法 —— Cutout方法

在本博客中,我们将向您详细介绍imgaug库的数据增强方法 —— Dropout方法


Dropout方法

功能介绍

iaa.Dropoutimgaug库中的核心方法之一,它通过在图像中随机移除像素,模拟了训练过程中的随机失活(dropout)效果。这种策略在深度学习中被广泛采用,主要目的是防止模型过拟合,并提升其泛化能力。通过适时地引入随机失活,模型在训练过程中能更好地应对各种数据分布,从而在实际应用中表现出更稳定的性能。

语法


import imgaug.augmenters as iaa
aug = iaa.Dropout(p=(0.0, 0.05), per_channel=False)
  • p: 定义为图像中每个像素被丢弃的概率

    • p为浮点数,则图像中每个像素被丢弃的概率为p
    • p为元组(a, b),则图像中每个像素被丢弃的概率为从区间[a, b]中采样的随机数;
    • p为列表,则图像中每个像素被丢弃的概率为从列表中随机采样的数;
  • per_channel:

    • per_channelTrue,则对于每幅图像的每个像素点的每个通道上都对应一个不一定相同的概率 ==> RGB图像指定像素位置上的三个通道分别对应三个随机选取的概率(三个通道各自对应一个概率,有的通道被丢弃,有的保留 ⇒ 会出现颜色失真 );
    • per_channelFalse,则对于每幅图像的每个像素点的所有通道上都对应一个相同的随机概率 ==> RGB图像指定像素位置上的三个通道都是同一个随机概率(三个通道共进退,要么都被丢弃,要么保留);
    • per_channel为区间[0,1]的浮点数,假设per_channel=0.6,那么对于60%的图像,per_channelTrue;对于剩余的40%的图像,per_channelFalse

示例代码

  1. 使用不同的丢弃概率p
import cv2
import imgaug.augmenters as iaa
import matplotlib.pyplot as plt

# 读取图像
img_path = r"D:\python_project\lena.png"
img = cv2.imread(img_path)
image = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)


# 创建数据增强器
aug1 = iaa.Dropout(p=0.2, per_channel=False)
aug2 = iaa.Dropout(p=0.5, per_channel=False)
aug3 = iaa.Dropout(p=0.8, per_channel=False)



# 对图像进行数据增强
blurred_image1 = aug1(image=image)
blurred_image2 = aug2(image=image)
blurred_image3 = aug3(image=image)

# 展示原始图像和数据增强后的图像
fig, axes = plt.subplots(2, 2, figsize=(10, 10))
axes[0][0].imshow(image)
axes[0][0].set_title("Original Image")
axes[0][1].imshow(blurred_image1)
axes[0][1].set_title("Augmented Image1")
axes[1][0].imshow(blurred_image2)
axes[1][0].set_title("Augmented Image2")
axes[1][1].imshow(blurred_image3)
axes[1][1].set_title("Augmented Image3")
plt.show()

运行结果如下:

imgaug库图像增强指南(17):揭秘【iaa.Dropout】——数据增强的隐秘武器,数据增强指南,python
图1 原图及数据增强结果可视化

可以从图1看到:

  • 当丢弃概率p越大时, 数据增强后的新图像会出现更多的被丢弃的像素点。
  • 由于per_channel=False,那么对于每一个像素点,要么三个通道都被丢弃(像素被黑),要么三个通道同时保留(像素值不变);
  1. per_channel=True
import cv2
import imgaug.augmenters as iaa
import matplotlib.pyplot as plt

# 读取图像
img_path = r"D:\python_project\lena.png"
img = cv2.imread(img_path)
image = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)


# 创建数据增强器
aug1 = iaa.Dropout(p=0.2, per_channel=True)
aug2 = iaa.Dropout(p=0.5, per_channel=True)
aug3 = iaa.Dropout(p=0.8, per_channel=True)



# 对图像进行数据增强
blurred_image1 = aug1(image=image)
blurred_image2 = aug2(image=image)
blurred_image3 = aug3(image=image)

# 展示原始图像和数据增强后的图像
fig, axes = plt.subplots(2, 2, figsize=(10, 10))
axes[0][0].imshow(image)
axes[0][0].set_title("Original Image")
axes[0][1].imshow(blurred_image1)
axes[0][1].set_title("Augmented Image1")
axes[1][0].imshow(blurred_image2)
axes[1][0].set_title("Augmented Image2")
axes[1][1].imshow(blurred_image3)
axes[1][1].set_title("Augmented Image3")
plt.show()

运行结果如下:

imgaug库图像增强指南(17):揭秘【iaa.Dropout】——数据增强的隐秘武器,数据增强指南,python
图2 原图及数据增强结果可视化

可以从图2看到:

  • 当丢弃概率p越大时, 数据增强后的新图像会出现更多的被丢弃的像素点。
  • 由于per_channel=True,那么对于每一个像素点,三个通道有些被丢弃(像素值为0),有些被保留(像素值不变) ⇒ 出现明显的颜色失真;

注意事项

  1. 概率的选择:像素被移除的概率决定了失活的程度。较大的概率会导致更多的像素被移除,从而产生更明显的失活效果。需要根据实际需求调整。
  2. 通道独立性:如果设置了per_channel=True,则每个通道将使用独立的概率。这可以用于在每个通道上独立地进行随机失活。
  3. 与其他增强器的结合使用:可以与其他图像增强方法结合使用,以获得更丰富的效果。例如,可以先应用模糊增强,然后再应用随机失活。
  4. 结果的可重复性:每次应用增强器可能会产生稍微不同的结果,因为它是随机操作。为了确保结果的可重复性,可以使用aug.to_deterministic()方法将增强器转换为确定性状态。

总结

iaa.Dropout是一个非常有用的图像增强方法,它允许用户通过随机移除像素来模拟训练过程中的随机失活效果。与其他增强器结合使用,可以创造出丰富多样的图像效果。使用时需要注意概率的选择、通道独立性、与其他增强器的结合以及结果的可重复性等问题。


小结

imgaug是一个强大的图像增强库,它可以帮助你创建出丰富多样的训练数据,从而改进你的深度学习模型的性能。通过定制变换序列和参数,你可以轻松地适应各种应用场景,从计算机视觉到医学影像分析。随着深度学习的发展,imgaug在未来将继续发挥重要作用。因此,将imgaug纳入你的数据增强工具箱是一个明智的选择。

参考链接


结尾

亲爱的读者,首先感谢抽出宝贵的时间来阅读我们的博客。我们真诚地欢迎您留下评论和意见,因为这对我们来说意义非凡。
俗话说,当局者迷,旁观者清。的客观视角对于我们发现博文的不足、提升内容质量起着不可替代的作用。
如果您觉得我们的博文给您带来了启发,那么,希望能为我们点个免费的赞/关注您的支持和鼓励是我们持续创作的动力
请放心,我们会持续努力创作,并不断优化博文质量,只为给带来更佳的阅读体验。
再次感谢的阅读,愿我们共同成长,共享智慧的果实!文章来源地址https://www.toymoban.com/news/detail-819236.html

到了这里,关于imgaug库图像增强指南(17):揭秘【iaa.Dropout】——数据增强的隐秘武器的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 从IaaS到SaaS全栈赋能的行业云,微软云生态的增强器

    《中智观察》第 1587 篇推送 作者:木易 编辑:杨小天 头图来源:爱尔兰时报 纵观整个云计算市场,毋庸置疑的一点是其已迎来下半场的竞争。 但下半场的竞争核心是什么?是云原生?的确,所有云服务商都在强调CloudNative;是PaaS?也没毛病,IaaS服务商向上走,SaaS服务商向

    2024年02月04日
    浏览(35)
  • 【深度学习:数据增强】计算机视觉中数据增强的完整指南

    可能面临的一个常见挑战是模型的过拟合。这种情况发生在模型记住了训练样本的特征,但却无法将其预测能力应用到新的、未见过的图像上。过拟合在计算机视觉中尤为重要,在计算机视觉中,我们处理高维图像输入和大型、过度参数化的深度网络。有许多现代建模技术可

    2024年02月03日
    浏览(45)
  • 医学图像的数据增强技术 --- 切割-拼接数据增强(CS-DA)

      论文链接:https://arxiv.org/ftp/arxiv/papers/2210/2210.09099.pdf 大多数用于医学分割的数据增强技术最初是在自然图像上开发的,没有考虑到医学图像整体布局标准固定的特点。 基于医学图像的特点,作者开发了切割-拼接数据增强(CS-DA)方法,这是一种用于医学图像分割的新型数

    2024年01月22日
    浏览(45)
  • 图像数据增强算法汇总(Python)

    飞浆AI Studio在线可运行项目一文速学-图像数据增强算法汇总 数据增强是一种通过使用已有的训练样本数据来生成更多训练数据的方法,可以应用于解决数据不足的问题。数据增强技术可以用来提高模型的泛化能力,减少过拟合现象。比如在狗猫识别项目中,通过随机旋转、

    2024年02月08日
    浏览(43)
  • 深度学习三维图像数据增强——Monai实现

    笔者接触深度学习不久,跑过一些二维图像的深度学习代码,对于二维图像,深度学习数据增强可借助skimage、opencv、imgaug、Albumentations、Augmentor等多数主流的库实现,在这里放一个大神的链接,可供参考。但对于三维数据,能够借助的库便少了起来,常用的有TorchIO和Monai,而

    2024年02月04日
    浏览(45)
  • libtorch水下图像增强模型和基准数据集

            水下图像增强由于其在海洋工程和水上机器人领域的重要性而备受关注。在过去的几年里,人们提出了许多水下图像增强算法。然而,这些算法主要使用合成数据集或少数选定的真实世界图像进行评估。因此,目前还不清楚这些算法如何处理在野外获取的图像,以

    2024年02月15日
    浏览(38)
  • 改进YOLO系列:数据增强扩充(有增强图像和标注),包含copypaste、翻转、cutout等八种增强方式

    数据增强是一种通过对原始数据进行随机变换、扰动等操作来生成新的训练样本的技术,可以有效提高深度学习模型的泛化性能。在目标检测任务中

    2024年02月04日
    浏览(32)
  • 基于Matlab实现多个图像增强案例(附上源码+数据集)

    图像增强是数字图像处理中的一个重要步骤,它通过一系列的算法和技术,使图像在视觉上更加清晰、明亮、对比度更强等,以便更好地满足人们的需求。在本文中,我们将介绍如何使用Matlab实现图像增强。 首先,我们需要加载图像。在Matlab中,可以使用 imread 函数加载图像

    2024年02月10日
    浏览(36)
  • 『红外图像 数据增强』DDE(Digital Detail Enhancement)算法

    分离背景层和细节层:使用特殊的滤波器,将图像分成背景层和细节层。背景层通常包含低频信息,而细节层包含高频信息。 对背景层进行灰度增强:通过对背景层应用适当的灰度增强算法,提高背景层的对比度和视觉感知。 对细节层进行细节增强和噪声抑制:细节层中包

    2024年02月09日
    浏览(36)
  • 利用Albumentations工具包进行图像的数据增强(以yolo数据标注格式为例)

    最近在看数据增强方法时,看到了这个有趣的工具包,研究了下并以yolo数据标注格式为例写了一个示例脚本。 该工具最大的好处是会根据你使用的数据增强方法自动修改标注框信息! AdvancedBlur (左边为原图,右边为增强图像)         Blur the input image using a Generalized N

    2024年02月08日
    浏览(52)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包