深度学习中的图像数据扩增(Data Augmentations)方法总结：常用传统扩增方法及应用

最新推荐文章于 2025-03-03 11:59:52 发布
最新推荐文章于 2025-03-03 11:59:52 发布
阅读量3w 收藏 163
点赞数 20
分类专栏： 深度总结 文章标签： 数据扩增 augmentation 技巧 经验 总结
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/kuweicai/article/details/106590031
版权
本文总结了深度学习中图像数据扩增的常用方法，包括几何变换（翻转、裁剪、旋转、平移、噪声注入）和颜色空间变换，探讨了它们对模型泛化能力的影响，强调了数据扩增应保持标签不变的重要性。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

深度学习中的图像数据扩增(Data Augmentations)方法总结：常用传统扩增方法及应用

1. 前言

这篇文章主要参考 A survey on Image Data Augmentation for Deep Learning， 总结了常用的传统扩增方法及其应用时的注意事项。这里的传统方法指不包括基于深度学习（比如 GAN）等新的扩增方法。

另外需要注意的是，虽然对于不同的任务，比如对于分类，检测任务，不同的任务在采用某一个具体的扩增方法的时候会有所不同，比如对于检测任务需要考虑对 bounding box 进行相应的操作，但是这里仅仅从扩增方法的角度来说是没有区别的。

最后， 数据扩增的具体方法非常多，而且除了各个训练框架提供的方法之外还有很多第三方库，这里仅仅是整理了一些比较常见的扩增方法。更多的扩增方法可以参考第三方库 imgaug, albumentations 等。

在这里插入图片描述

2. 数据扩增

数据扩增是对数据进行扩充的方法的总称。数据扩增可以增加训练集的样本

最低0.47元/天 解锁文章
【图像增强】使用 Albumentations Python 库（01）
gongdiwudu的专栏
08-24 2199
图像增广是通过对可用图像进行微小更改来创建新训练图像的过程。这包括更改图像的亮度或对比度、裁剪图像的一部分、翻转或旋转原始图像等更改。使用对原始标记图像的这些转换，可以增加图像数量。Albumentations 有效地实现了丰富的 Image Transform 操作，并执行 同时提供简洁而强大的图像增广界面 不同的计算机视觉任务，包括对象分类、分割、 和检测。
YOLOv5系列(二十) 解析数据增强部分augmentations(详尽)
专注于人工智能学习，总结
11-29 1959
这个函数用在random_perspective中，是对透视变换后的图片label进行筛选，去除被裁剪过小的框(面积小于裁剪前的area_thr) 并且保留下来的框的长宽必须大于wh_thr个像素，且长宽比范围在(1/ar_thr, ar_thr)之间。显然，这部分需要缩放，因为在这之前的load_image部分已经缩放过了（最长边等于指定大小，较短边等比例缩放），这个函数是用于对图片进行直方图均衡化处理，但是在yolov5中并没有用到这个函数，学习了解下就好，不是重点。
面向深度学习的图像数据增强综述A survey on Image Data Augmentation for Deep Learning
qq_43555843的博客
10-15 3319
深度学习在计算机视觉任务许多方面都表现得非常好。然而，这些网络严重依赖大数据以避免过度传输，不幸的是，许多应用领域无法访问大数据，如医学图像分析。这项调查的重点是数据扩充，一种解决有限数据问题的数据空间解决方案。数据增强这一技术，可以提高训练数据集的大小和质量，从而可以使用它们构建更好的深度学习模型。这篇论文讨论的图像增强算法包括几何变换、颜色空间增强、核函数、混合图像、随机删除、特征空间增强、对抗训练、生成对抗网络、神经风格转换和元学习等。
【深度学习实践】GAN技术进行数据增强
最新发布
人工智能(AI)技术，大模型技术，深度学习，机器学习，计算机视觉，AI工具实践应用等分享
03-03 845
数据增强是深度学习中的关键技术，GAN（生成对抗网络）提供了一种数据生成的方式，特别适用于 图像、文本、时间序列 数据增强。本篇详细介绍 DCGAN（图像）、SeqGAN（文本）、TimeGAN（时间序列） 三种不同类型的 GAN 及其 Python 代码实现。
【数据增强】综述：A survey on Image Data Augmentation for Deep Learning
qq_40731332的博客
07-17 3463
主体部分来自论文《A survey on Image Data Augmentation for Deep Learning》，新增了一些近年的论文。 我认为问题的根本在于模型学习了数据中的bias。一个过拟合的模型会去学习数据中存在的bias，如人脸识别中的position bias，或是普遍存在的lighting bias等。在风格迁移中，会称为不同的domain，如白天/夜晚，雨天/晴天等。解决问题有两个思路： 1. 模型本身。控制模型的复杂度，使得模型去学习general而不是special的.
A survey on Image Data Augmentation for Deep Learning数据增强文献综述
Bruce_0712的博客
06-10 565
文章目录 1. Introduction 2. Image Data Augmentation techniques 2.1 Data Augmentations based on basic image manipulations 2.2 Geometric versus photometric transformations 2.3 Data Augmentations based on Deep Learning 3. Design considerations for image Data Augm
文本数据增强
weixin_44285715的博客
11-28 1072
参考文章： 文本数据增强https://www.jianshu.com/p/3996793324ca 文本数据增强https://www.zhihu.com/collection/540515296 英文原版：https://amitness.com/2020/05/data-augmentation-for-nlp/#8-generative-methods ICLR 2019 workshop 论文《EDA: Easy Data Augmentation Techniques for Bo...
论文精选——《A survey on Image Data Augmentation for Deep Learning》
instersight的博客
10-23 1128
这篇论文总结了现有数据增强的方法（include geometric transformations, color space augmentations, kernel filters,mixing images, random erasing, feature space augmentation, adversarial training,generative adversarial networks, neural style transfer, and meta-learning），光明的发展前景
第十章 深度学习中的图像数据扩增(Data Augmentations)(工具)
专注于人工智能学习，总结
11-21 1068
我的官方地址在github链接我的API（文档）地址在 https://albumentations.ai/docs/我是负责处理图像的一个库，可用于所有数据类型：图像（RBG图像，灰度图像，多光谱图像），分割mask，边界框和关键点我大概有70多种不同的图像处理方法,相比torch自带的，这个库函数有更多的对图像的预处理的办法我的特点就是快：在相同的对图像的处理下，我的速度就是比其他处理方式更快👍这个图中，可以看到albumentations的处理方法中，很多都是速度最快的1。
避免过拟合：PyTorch中nii数据扩增的实用技巧
本文系统性地探讨了PyTorch框架下的数据扩增方法及其在医学影像处理中的应用。通过分析数据扩增的理论基础和PyTorch中常用技术，本文指出了数据扩增策略和模型性能之间的联系，并展示了如何通过超参数调整和实验设计
【图像数据扩充】翻转、亮度、对比度、锐度、色彩等扩充
Danger的博客
03-18 2039
【图像数据扩充】翻转、亮度、对比度、锐度、色彩等扩充
图像扩充(一张变多张)
03-16
1、图像扩充，一张变多张，增加的张数自己定。 2、img文件夹放原始图像，img_aug和img_aug2是图像增强生成图像放置的位置是自动生成的。 3、生成倍数自己可调 4、特别注意路径问题，在word文档中已经介绍。
图像样本数量扩充工具.zip
02-22
图像训练和识别时样本库数量太少通过添加各种变换增加图片库数量的小程序 vs2015 mfc opencv3.3.0 对图像做以下处理 随机选取处理程度生成样本或者干扰图像 平移 旋转 翻转 缩小 模糊0 噪声 扭曲 手动绘制干扰 偏色 压缩 亮度
数据集太少怎么办？数据集扩充方法
12-22
我学习深度学习写代码的时候，数据集图像太少只有1406张还分4个类别，一个类别只有300来张，再分为train、valid和test，图像就更少了，训练的图像少，深度学习的准确度就会不高。 这里是我找到的扩充数据集的方法，对图像进行亮度增强、对比度增强、水平翻转和随机方向旋转，我的1406张图扩充到了7030张。 变换程序 from PIL import ImageEnhance import os import numpy as np from PIL import Image def brightnessEnhancement(root_path,img_name):#亮度增强 i
【图像分类--图片数据扩充】图片数据不够怎么凑
赖德发的博客
09-24 9756
在训练神经网络的过程中，为了能够使训练的网络有更高的准确率，更低的过拟合，通常需要大量的训练数据，但在实际工作中，大量数据并不是说有就有的，怎么办呢，通常解决这个问题的办法就是，使用一些手段，人为扩充数据集。本篇文章，将针对图像数据，提供一些扩展常用方法，相信这些方法能够满足大家对扩充图片数据集的需求。 方法1：利用keras生成器扩充图片数据集。 # -*- coding: utf-8 -*- ...
图像的一些扩增方法
space_dandy的博客
09-08 925
制作数据集时，直接对原始文件夹中的图像扩增使用的方法，使用了PIL库中的Image函数 from PIL import Image #读取图像 im=Image.open('文件名') 1.缩放 im_resized=im.resize(32,32) 2.旋转 #逆时针90 im_90=im.transpose(Image.ROTATE_90) #逆时针180 im_180=im.transpose(Image.ROTATE_180) #逆时针270 im_270=im.transpose(
图像数据扩增方法
weixin_45794268的博客
02-23 1157
数据扩增的方法 opencv 数据扩增 albumentations数据扩增 数据扩增的目的： 有效增加样本的语义空间，增加数据集中样本的数据量 数据扩增的分类 标签不变的数据扩增方法 标签改编的数据扩增方法 常见的数据扩增方法都会改变数据的标签 opencv进行数据扩增 首先读取原始图片 img = cv2.imread(train_mask[‘name’].iloc[0]) mask = rle_decode(train_mask[‘mask’].iloc[0]) plt.figure(fi
深度学习：图像扩增方法
a362682954的博客
05-03 3219
一个良好的图像预处理能够有效提升模型的准确率。本文总结了常用的图像预处理方法。 常见的模型输入一般为固定大小的图像输入，而数据集中的图像常常是不规则大小的图像，因此，对于大小不规则的图像需要放缩至固定大小，而直接使用resize()函数会使得图像变形，因此需要对图像继续填充后继续放缩。 图像大小变化 import cv2 import numpy as np def preprocess(...
图像数据集扩展
Littro Innovations
01-12 933
通过对图像进行不同角度的旋转来增加数据集的多样性。例如，可以将图像旋转10度、20度等不同的角度。扩展图像数据集是一种常用的技术，用于增强模型的泛化能力和提高机器学习模型的性能。这在对称性较强的图像（例如人脸图像）中特别有用。可以通过缩放图像到不同的大小来创建更多的训练样本。这些方法可以单独使用，也可以组合使用，以创造出丰富多样的训练数据，从而提高机器学习模型的鲁棒性和准确性。：在图像中添加随机噪声，例如高斯噪声，以增加数据的多样性。：从原始图像中裁剪出小图像。：如透视变换、扭曲等，改变图像的几何结构。
Albumentations：高效图像增强工具库在深度学习中的应用
Albumentations是一个用于图像增强的Python库，它专为深度学习和计算机视觉任务设计，旨在通过数据增强提高训练模型的质量。数据增强是一个通过各种方法扩充训练集的过程，它能够增加模型对新样本的泛化能力，从而...
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值