yolov4-masaic数据增强方法

Posted 2023-04-18

参考技术A yolov4-masaic数据增强方法

原文链接： Mosaic数据增强_Alex-CSDN博客_mosaic数据增强

原理：Mosaic数据增强方式简单来说就是把4张图片，通过随机缩放、随机裁减、随机排布的方式进行拼接。根据论文的说法，优点是丰富了检测物体的背景和小目标，并且在计算Batch Normalization的时候一次会计算四张图片的数据，使得mini-batch大小不需要很大，一个GPU就可以达到比较好的效果。

流程图：

优点：

    丰富数据集：随机使用4张图片，随机缩放，再随机分布进行拼接，大大丰富了检测数据集，特别是随机缩放增加了很多小目标，让网络的鲁棒性更好

    减少GPU：直接计算4张图片的数据，使得Mini-batch大小并不需要很大，一个GPU就可以达到比较好的效果

缺点：

    如果我们的数据集本身就有很多的小目标，那么Mosaic数据增强会导致本来较小的目标变得更小，导致模型的泛化能力变差

将 CLAHE 添加到数据增强的最简单方法是啥？

【中文标题】将 CLAHE 添加到数据增强的最简单方法是啥？

【英文标题】：What's the easiest way to add CLAHE to Data Augmentation?将 CLAHE 添加到数据增强的最简单方法是什么？

【发布时间】：2021-11-12 07:42:07

【问题描述】：

我是深度学习的新手，目前正在尝试使用 CT 扫描训练分类器。我正在使用 Keras ImageDataGenerator 对我的图像执行动态增强并启用更强大的分类器。

train_datagen = ImageDataGenerator(shear_range = 0.1,
                                   rotation_range = 15,
                                   zoom_range = 0.15,
                                   width_shift_range = 0.1,
                                   height_shift_range = 0.1,
                                   horizontal_flip = False, 
                                   vertical_flip = False, 
                                   preprocessing_function = preprocess_input)

除了上面代码中描述的随机缩放、移动和剪切之外，我还想添加随机 CLAHE 应用程序，有什么简单的方法呢？

【参考方案1】：

测试这个方法：

def AHE(img):
    img_adapteq = exposure.equalize_adapthist(img, clip_limit=0.03)
    return img_adapteq


datagen = ImageDataGenerator(rotation_range=30, horizontal_flip=0.5, preprocessing_function=AHE)

编码愉快！