Это продолжение Части 1, где мы обсудили проблемы с ограниченными изображениями в медицинской, полупроводниковой и других отраслях для обучения моделей глубокого обучения (DL).
В предыдущей статье мы использовали библиотеку Albumentations для преобразования изображений (геометрическое преобразование). Даже эта библиотека облегчает нашу жизнь, помогая нам добиться увеличения и сохранить нетронутой выходную метку. Для классификации изображений вам необходимо изменить только входное изображение и оставить выходные метки нетронутыми, поскольку выходные метки инвариантны к модификациям изображения.
Я хотел бы предостеречь моего читателя от слепого применения преобразования. Преобразованное изображение может неправильно содержать выходную метку. Например, изображение может содержать кошку и иметь назначенную метку кошка. Во время увеличения изображения, если вы обрезаете часть изображения, на которой нет кошки, выходная метка кошка становится неправильной и вводящей в заблуждение. Обычно вы справляетесь с такими ситуациями, решая, какие дополнения вы можете применить к набору данных, не рискуя столкнуться с проблемами из-за неправильных меток.
Библиотека Alubumentation пытается решить указанную выше проблему. Мы продолжим аугментацию изображения для обработки изображений в цветовом пространстве, таких как изменение контраста и яркости, преобразование оттенков серого и выпадение каналов. Кроме того, мы также можем выполнять случайное стирание и случайное стирание с заполнением шумом, чтобы заставить модель лучше обучаться.
Преобразование цветового пространства
- Изменение контрастности и яркости
2. Преобразование оттенков серого
3. Изменение оттенка и насыщенности
4. Исключение канала: случайное удаление каналов во входном изображении.
Случайное стирание
- Случайное стирание без заполнения: мы можем установить максимальное количество отверстий, их высоту и ширину
2. Случайное стирание с заполнением шумом: мы можем сгенерировать случайное значение шума и установить его в параметр fill_value.
Источник:
