数据增强系列（补充ing...）

已于 2023-11-11 15:59:22 修改
阅读量239 收藏
点赞数 1
分类专栏： Supplementary knowledge 文章标签： YOLO 目标跟踪 人工智能
于 2023-11-09 22:29:33 首次发布
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/qihshe/article/details/134319060
版权
Supplementary knowledge 专栏收录该内容
6 篇文章 0 订阅 ¥299.90 ¥399.90
订阅专栏
本文详细介绍了数据增强在深度学习中的应用，包括缩放、裁剪、翻转、旋转、模糊等图像处理技术，以及仿射变换、透视变换等复杂操作。还探讨了ChannelShuffle、mixup、cutout等高级数据增强方法，旨在提高模型的泛化能力。
摘要由CSDN通过智能技术生成

文章目录

Data Augmentation

缩放resize

最近邻插值、双线性插值、双三次插值

最近邻插值（不常用）

也称为零阶插值，这是最简单的插值方法，计算量较小，对于未知位置，直接采用与它最邻近的像素点的值为其赋值

这种方法通常会造成插值图像中像素点灰度值不连续，在图像边缘产生明显的锯齿状，所以现实中很少使用这种方法
【opencv】最近邻插值、双线性插值、双三次插值（三次样条插值）

双线性插值

线性插值

线性插值应用于一维数据的插值，根据需要插值的点左右的两个已知邻近点，进行插值计算。插值过程为已知两个点，采用两点法表示一条直线，然后已知x求y或者已知y求x的过程&

了解本专栏 订阅专栏 解锁全文
怎么全是重名
关注
专栏目录
订阅专栏
数学建模-MATLAB算法精讲系列文章目录介绍（持续补充ing）
qq_36130719的博客
08-30 2400
结合实际案例，从算法背景开始一步步到最终代码实现，本系列文章主要以matlab代码为主，为照顾学习其他编程语言的小伙伴，大部分算法会附带python、Java、C++、R语言等市面上主流代码，满足各层面的用户学习。部分内容参见网络文献，如有侵权，请联系博主删除本专栏中涉及的MATLAB基础知识讲解篇详见文章内容主要包括算法背景、算法原理、算法优缺点、算法伪代码、算法的应用场景、算法的应用案例、算法的拓展以及多语言实现算法的代码化。
华为OD-华为机试精讲500篇系列文章目录介绍（持续补充ing）
qq_36130719的博客
01-29 1722
华为OD？华为OD是一种新的用工方式，其全称为Outsourcing Dispatch（外包派遣）。这种方式是由华为与外部的人力资源服务公司如外企德科或科锐国际合作进行招聘。OD模式下，员工的劳动合同并非直接与华为签订，而是在这些第三方人力资源服务公司的名义下。这意味着OD员工的工作归属感可能不如传统华为员工强烈，但他们在薪酬待遇上通常会有所保障。华为OD主要面向的是13级至17级的软件开发类岗位，包括但不限于前端开发、后端开发、软件测试、算法、大数据等领域。
面试中线程相关问题（补充ing.....）
IT丶小污的博客
11-20 330
面试中线程相关问题（补充ing.....） 创建线程的3种方式。  什么是线程安全。  Runnable接口和Callable接口的区别 wait方法和sleep方法的区别。  synchronized、Lock、ReentrantLock、ReadWriteLock。  介绍下CAS(无锁技术)。  什么是ThreadLocal。  创建线程池的4种方式。
Python3常用其他API速查手册（持续更新ing...）
诸神缄默不语的博客
06-27 1824
本文介绍Python3常用的、我未归类在其他博文中的API。
WiMAX ing......
giles_zhu space
01-23 564
WiMAX是一种基于标准的技术，可以替代现有的有线和DSL连接方式，来提供最后一英里的无线宽带接入。WiMAX将提供固定、移动、便携形式的无线宽带连接，并最终能够在不需要直接视距基站的情况下提供移动无线宽带连接。在典型的3到10英里半径单元部署中，获得WiMAX论坛认证的系统有望为固定和便携接入应用提供高达每信道40Mbps的容量，可以为同时支持数百使用T-1连接速度的商业用户或数千使用DSL连接
FuTalk设计周刊-Vol.053
wincyfu的博客
05-25 1004
设计可以像科学一样去定义并解决问题”，在设计的过程中总会有诸多不同意见的纷争，当方法无法作出决策的时候，进行AB测试可以更科学的去协助我们进行决策。现阶段很多用户去旅行之前，都会经历这样的过程，先去内容平台上浏览大量的旅行相关的帖子、短视频，当心目中有了比较理想的目的地和玩法，再跳转预订软件，去订酒店；让 AI 以思维导图的形式生成结构化的内容，可以针对不同的节点让 AI 执行不同的操作，形成一个工作流或生成内容的网络。谷雨，春天的最后一个节气，意味着春天即将结束，属于夏季的时候要到来了。
Unity项目优化详解（持续补充ing）
Star_MengMeng的博客
04-19 4692
Unity性能优化
CV、MV基础知识（持续补充ing）
qihshe的博客
10-19 615
尽管具有较强的远程上下文建模能力，原始的全局自注意机制的计算复杂度与特征图大小成二次关系，计算效率低下，因此，对于以高分辨率特征图为输入的视觉任务，如目标检测和分割，将会带来巨大的计算成本。，这个比例可以影响模型的容量和复杂度，通常会影响模型的性能和训练速度。通常情况下，较大的扩展比可以增加模型的容量，但也可能增加训练时间和需要的数据量。AP 是指在目标检测任务中，针对每个类别计算的精度，然后求取这些精度的平均值。F1分数是一个结合了精确率和召回率的指标，可以用来综合评估分类模型的性能。
论文研读 —— 9. DensePose From WiFi
老程的技术笔记
02-12 3240
计算机视觉和机器学习技术的进步已经导致RGB摄像头、LiDAR和雷达中2D和3D人体姿势估计的重大发展。然而，图像中的人体姿势估计受到遮挡和照明的不利影响，这在许多关注的场景中是常见的。另一方面，雷达和LiDAR技术需要专门的硬件，价格昂贵，耗能大。此外，在非公共区域放置这些传感器会引发严重的隐私问题。为了解决这些局限，最近的研究已经探索了使用WiFi天线（1D传感器）进行身体分割和关键点身体检测。本文进一步拓展了WiFi信号与计算机视觉中常用的深度学习体系结构的结合，以估计密集的人体姿势对应关系。
基于图像处理的肝脏和肠道手术中胆囊和子宫可视化的新增强混合递归算法.
埃及信息学杂志21（2020）105一种新的增强混合递归算法：基于图像处理的胆囊和子宫可视化T. Singha，Abeer Alsadoona，P.W.C.Prasada，Omar Hisham Alsadoonb，Haritha Sallepalli Venkataa，Ahmad Alrubaieca...
YOLO11改进-注意力-引入双层路由注意力机制（Biformer）
qq_64693987的博客
10-17 394
BiFormer 旨在通过双层路由注意力机制（Bi-level Routing Attention, BRA）实现动态、查询感知的稀疏注意力。双层路由注意力机制区域级路由：首先在粗粒度的区域级别过滤掉大部分不相关的键值对，仅保留少量相关区域。细粒度注意力：在保留的区域内进行细粒度的token-to-token注意力计算。Biformer的实现步骤区域划分和输入投影：将输入特征图划分为多个不重叠的区域，并通过线性投影生成查询、键和值张量。区域间路由。
基于YOLOV4的垃圾分类检测识别系统【python源码+Pyqt5界面+训练代码+测试代码】
ANDROID6666666的博客
10-16 667
系统基于深度学习网络 YOLOV4，使用的主要编程语言是 Python，并依赖于 Torch（版本需求=1.9）、OpenCV 和 PyQt5 等库。项目包含以下几个关键组成部分：深度学习网络： 使用了 YOLOV4网络，这是一种在计算机视觉领域表现优异的深度学习模型，特别适合处理图像分类和对象识别任务。运行环境： 要求配置 Python 版本为3.7，并安装 Torch 版本不低于 1.8、OpenCV 和 PyQt5 等库。这些库和工具支持项目中的数据处理、模型训练和图形用户界面的开发。
YOLOv11改进策略【Conv和Transformer】| 2024 AssemFormer 结合卷积与 Transformer 优势，弥补传统方法不足
qq_42591591的博客
10-12 214
本文记录的是利用优化的目标检测网络模型。传统卷积和池化操作会导致信息丢失和压缩缺陷，且传统的注意力机制通常产生固定维度的注意力图，忽略了背景中的丰富上下文信息。本文的利用改进，以在特征传递和融合过程中增加多尺度的学习能力。Exploiting Scale-Variant Attention for Segmenting Small Medical Objects包含一个3×33×33×3卷积和一个1×11×11×1卷积，接着是两个Transformer块和两个卷积操作。它通过堆叠和拆分特征图来连接卷积和Tr
YOLOv8模型改进 第十讲 添加全维度动态卷积（Omni-dimensional Dynamic Convolution，ODConv）
最新发布
qq_64693987的博客
10-17 600
全维度动态卷积（ODConv），一种通过在卷积核的不同维度上引入注意力机制来增强特征表示的方法。动态卷积的概念：传统的卷积神经网络（CNN）使用静态的卷积核，而动态卷积通过使用多个卷积核的线性组合，并根据输入数据的不同加权，来提高模型的准确性。ODConv的设计：ODConv在卷积核的四个维度（空间尺寸、输入通道、输出通道和卷积核数量）上引入多维度注意力机制。这些注意力机制可以动态调整卷积核的权重，从而提高特征提取能力。性能提升。
YOLOv11改进策略【卷积层】| ICCV-2023 LSK大核选择模块 包含二次独家创新
qq_42591591的博客
10-16 60
LSK module是。
YOLOv8模型改进 第九讲 添加EMAttention注意力机制
qq_64693987的博客
10-17 570
EMA模块首先将输入通道分组（如“g”表示通道组数），然后通过两个并行分支处理特征。一个分支对特征进行水平和垂直方向的一维全局池化操作（X Avg Pool和Y Avg Pool），另一个分支通过3x3卷积提取特征。随后，这些特征通过sigmoid函数进行归一化处理，并通过跨维度交互模块进行整合。最后，经过sigmoid调制，输出特征映射会增强或削弱原始输入特征，提升模型的检测能力。
树莓派使用：YOLOv8环境搭建困难--已解决
weixin_44845743的博客
10-12 305
树莓派使用：YOLOv8环境搭建困难--已解决
使用 YOLOv11 进行 健身辅助，动作计数，动作矫正 -- AI 俯卧撑计数，AI 引体向上计数
shiter编写程序的艺术
10-16 55
主要是通过区分up 和down 来区分 是否完成了一整个step。
YOLO11有效改进专栏目录
A1983Z的博客
10-14 301
YOLO11改进专栏导航
st ing.gsub
06-04
`st.gsub` 是 Ruby 中 String 类的一个方法，用于在字符串中替换匹配的子字符串。`gsub` 是全局替换的意思，全称是 global substitution，它可以将字符串中所有满足特定模式的子字符串替换为指定的新字符串。...
评论
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