数据增强（一、Random-Erasing）

最新推荐文章于 2024-05-14 16:02:54 发布
最新推荐文章于 2024-05-14 16:02:54 发布
阅读量3.2k 收藏 7
点赞数
分类专栏： 数据增强
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/qq_44267559/article/details/112744300
版权

文章目录

Random Erasing Data Augmentation（随机擦除数据增强）

优势

  1. 一种轻量级方法，不需要任何额外的参数或内存消耗，它可以在不改变学习策略的情况下与各种CNN模型集成
  2. 对于现有的数据增强和正则化方法的补充。两者结合使用，Random Erasing进一步提高了识别性能。
  3. 在图像分类、目标检测和行人重识别方面，提高了深度模型的性能
  4. 提高鲁棒性。

实验数据集

图像分类
CIFAR-10包含10个类的50000个训练图像和10000个测试图像（3232彩色图像）.
CIFAR-100包含100个类的50000个训练图像和10000个测试图像（3232彩色图像）
Fashion-MNIST包含了10个类的60000个训练图像和10000个测试图像（28*28灰度图像）

目标检测
PASCAL VOC 2007包含24640个带注释对象的9963幅图像。
行人重识别
Market-1501包含32666个标记的边界框，其中包含6个不同摄像机捕获的1501个个体。数据集分成两部分：12963幅图像，751个个体用于训练；19732幅图像，750个个体用于测试。
DukeMTMC-reID包含8个高分辨率相机拍摄的1812个个体的36411幅图像。数据集分成两部分：16533个图像，702个个体用于训练；14096个图像，1467个个体用于测试
CUHK03包含1467个个体的14096幅图像。

Random Erasing

随机擦除随机选择图像中的一个矩形区域 I e I_e Ie​，并用随机值擦除其像素。假设训练图像大小为 W ∗ H W*H W∗H，图像面积 S = W ∗ H S=W*H S=W∗H。随机初始化“擦除矩形”大小为 S e S_e Se​，其中 S e S ∈ ( s l , s h ) \frac{S_e}{S}\in (s_l,s_h) SSe​​

最低0.47元/天 解锁文章
画尽天下，一世繁华
关注
  • 0
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
专栏目录
模型训练技巧——Random Erasing
Guo_Python的博客
05-08 4506
本文介绍了一种新的用于训练卷积神经网络的数据增强方法——Random Erasing（随机擦除）。训练时，随机擦除方法会在原图随机选择一个矩形区域，将该区域的像素替换为随机值。这个过程中，参与训练的图片会做不同程度的遮挡，这样可以降低过拟合的风险并提高模型的鲁棒性。随机擦除是独立于参数学习过程的，因此可以整合到任何基于CNN的识别模型中。此方法虽然简单，但却是诸如random cropping、flipping等通用数据增强方法的一个补充，并且普遍地比没有使用随机擦除方法的对比算法效果要好。
数据增强（检测，分类，识别）：1708.Random Erasing Data Augmentation 论文笔记
xuluohongshang的博客
01-08 1万+
Random Erasing Data Augmentation 论文下载地址：https://arxiv.org/abs/1708.04896 详细信息： 论文资源代码： https://github.com/zhunzhong07/Random-Erasing 论文解读： 首先，为了增强模型的泛化的性能，一般的手段有数据增强和正则化方法（如dropout，BN），而用于数
通过随机采样和数据增强来解决数据不平衡的问题
最新发布
llf000000的博客
05-14 563
当每个类别的样本不平衡时，即在类别分布之间没有平衡比率时，会出现类别不平衡的问题。这种失衡可能是轻微的，也可能是严重的。取决于样本量，从1：2到1:10可以理解为轻微的不平衡，比率大于1:10可以理解为强烈的不平衡。在这两种情况下，都必须使用特殊技术（例如欠采样，过采样，cost-sensitive代价敏感等）处理具有类不平衡问题的数据。稍后，我们将用imblearn [1]介绍欠采样和过采样以及它们的实现。
Random Erasing 原理与代码解析
00000cj的博客
04-23 815
本文提出了一种新的数据增强方法Random Erasing（随机擦除），用于训练CNN。该方法在训练过程中随机选择图像中的一个矩形区域，并将其像素用随机值擦除，从而生成具有不同遮挡级别的训练图像。这样做可以减少过拟合的风险，并使模型对遮挡具有鲁棒性。Random Erasing不需要额外的参数学习，易于实现，并且可以与大多数基于CNN的识别模型集成。尽管方法简单，但Random Erasing与常用的数据增强技术（如随机裁剪和翻转）互补，并且在图像分类、目标检测和行人再识别等任务中取得了一致的性能提升。
数据增强：随机擦除Random erasing
猫猫与橙子的博客
03-25 4779
数据增强之随机擦除Random erasing
AAAI 2020，数据增强方法：Random Erasing Data Augmentation
Exploer_TRY的博客
05-09 1049
Random Erasing Data Augmentation 厦门大学 智能多媒体实验室的一项工作，Leader：李绍滋，发表在AAAI 2020上。 Zhong, Zhun, et al. “Random erasing data augmentation.” Proceedings of the AAAI Conference on Artificial Intelligence. Vol. 34. No. 07. 2020. 1. 摘要： 介绍了一种新的训练卷积神经网络(CNN)的数据增强方法——
将VOC图像数据集按比例随机划分，分割后的图片和标签地址写入新的文本文档
scsym的博客
07-13 644
目的： 需要写个脚本将VOC图像数据集按0.7：0.2：0.1比例随机混乱划分，分割后的图片和标签地址写入新的文本文档。 图像文件夹： 标签文件夹： 目标文本文件夹格式 话不多说直接上脚本代码: import os import random def get_files(file_dir): # 获取所有文件名，并放置到列表 file_list = [] for file in os.listdir(file_dir): file_list.append(file
Random-Erasing:随机擦除数据增强。 CIFAR10，CIFAR100和Fashion-MNIST的实验
05-22
随机擦除数据增强 ================================================== ============= 黑色的 白色的 随机的 该代码具有论文“”的源代码。 如果您发现此代码对您的研究有用，请考虑引用以下内容： @in...
pytorch_random_erasing:PyTorch实现的RandomErasing
05-15
PyTorch随机擦除的实现用法 $ python main.py --block_type basic --depth 110 --use_random_erase --random_erase_prob 0.5 --random_erase_area_ratio_range '[0.02, 0.4]' --random_erase_min_aspect_ratio 0.3 --...
torch 数据增强-随机擦除（随机遮挡）-两种方案
01-06
class RandomErasing(object): def __init__(self, p=0.5, sl=0.02, sh=0.4, r1=0.3, r2=3): self.p = p self.sl = sl self.sh = sh self.r1 = r1 self.r2 = r2 def __call__(self, img): if np.random.rand...
Python-论文MixupBeyondEmpiricalRiskMinimization的一个PyTorch实现
08-11
**Python与PyTorch在深度学习中的应用：Mixup技术** 在深度学习领域，优化模型性能通常是通过最小化经验风险来实现...同时，Mixup也可与其他数据增强技术如Cutout、RandomErasing等结合使用，进一步提高模型的鲁棒性。
esp-idf-v3.2.zip
09-09
Erasing Flash The idf.py flash target does not erase the entire flash contents. However it is sometimes useful to set the device back to a totally erased state, particularly when making partition ...
Pytorch-Fashion MNIST数据集卷积神经网络实例代码程序 训练预测准确率94%
weixin_46707493的博客
01-21 4567
目录 一、数据集下载以及数据增强 二、观察Fashion mnist图片 三、建立模型 四、训练前准备 五、模型训练 六、预测结果分析（混淆矩阵） 七、保存模型方法 一、数据集下载以及数据增强 1、调用库： import copy import os from tqdm import tqdm from time import time os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE" from IPython import display imp
学习笔记34-RandomErasing代码讲解与使用
LZL2020LZL的博客
06-01 833
代码地址：https://github.com/zhunzhong07/Random-Erasing. 作者将该方法分类，目标检测和行人识别上，效果较好。RandomErasing代码讲解如下： 使用方法：在train.py文件中的transforms内调用。
【深度学习笔记】常见的图像增强方法：scaling、rotating、flipping、random cropping
学习带来的快乐最持久~
07-25 2075
scaling 缩放。 Flip Flip是翻转的意思，也被称为镜像变换。又可以分为水平镜像和垂直镜像，水平镜像即将图像左半部分和右半部分以图像竖直中轴线为中心轴进行兑换，而竖直镜像则是将图像上半部分和下半部分以图像水平中轴线为中心轴进行兑换。 注意，这个和旋转有着本质的区别。 Rotate 图像旋转是指图像以某一点为中心旋转一定的角度，形成一幅新的图像的过程。当然这个点通常就是图像的中心。既然是按照中心旋转，自然会有这样一个属性：旋转前和旋转后的点离中心的位置不变。 crop 裁剪 图像的仿射变换Af
数据增强
heruili的博客
04-27 194
1.tf.image.random_flip_left_right(image,seed=None)为随机翻转函数，注意这里的image有三个维度[height, width, channels]。还有一点就是此函数是在width方向上随机翻转的，有可能结果就是从左往右翻转，从左往左翻转即没有翻转。 翻转图像 tf.image.flip_up_down() 将图像上下翻转 tf.image.fli...
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
热门推荐
生命在于折腾！
06-06 2万+
深度学习中的图像数据扩增(Data Augmentations)方法总结：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， 结合 pytorch 和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
Data Augmentation
24小时的程序员
10-06 437
水平翻转(Horizontal flipping) 随机裁剪(Random cropping) 随机放缩(Random scaling) 颜色抖动(Color jittering) 随机平移(Random translation) 随机剪切(Random shearing) simpler model structure regularization ...
深度学习在训练时对图片随机剪裁（random crop）
感谢一切无私开源共享奉献者！
12-05 1万+
文章目录为何要采取random crop？对图片进行随机裁减和缩放有些图片有4个颜色通道图像转换成torch.Tensor对象Reference 为何要采取random crop？ 在训练学习器时对图片进行随机裁减，背后的一个直觉就是可以进行数据增广（data augmentation），防止学习器陷入过拟合。假设类别CCC的主要特征为FFF，采集得到的图片包含背景噪声BBB，即现在CCC表示为(F,B)(F, B)(F,B)，我们本来期望学习关系f∗:F→Cf^*: F \to Cf∗:F→C，结果现在可
python实现特定区域的random erasing进行数据增广
06-14
Random Erasing是一种常见的数据增强技术，可以用于提高深度学习模型的鲁棒性和泛化能力。在Python中实现特定区域的Random Erasing，可以按照以下步骤进行： 1. 导入所需的库：numpy、PIL（Python Imaging Library）和matplotlib。 ```python import numpy as np from PIL import Image import matplotlib.pyplot as plt ``` 2. 定义函数random_erasing，实现Random Erasing的算法。 ```python def random_erasing(img, p=0.5, s=(0.02, 0.4), r=(0.3, 3)): ''' img: 输入的图像 p: 擦除的概率 s: 擦除区域面积的范围 r: 擦除区域长宽比的范围 ''' if np.random.uniform(0, 1) > p: return img w, h = img.size area = w * h for attempt in range(100): target_area = np.random.uniform(s[0], s[1]) * area aspect_ratio = np.random.uniform(r[0], r[1]) h_ = int(round(np.sqrt(target_area * aspect_ratio))) w_ = int(round(np.sqrt(target_area / aspect_ratio))) if w_ < w and h_ < h: x1 = np.random.randint(0, w - w_) y1 = np.random.randint(0, h - h_) img.paste((0, 0, 0), (x1, y1, x1 + w_, y1 + h_)) break return img ``` 3. 加载图像，并调用random_erasing函数，将其进行数据增强。 ```python img = Image.open('image.jpg') img = random_erasing(img) plt.imshow(img) plt.show() ``` 在上述代码中，我们加载了一张名为“image.jpg”的图像，并对其进行Random Erasing操作。函数random_erasing中，我们可以设置擦除的概率p、擦除区域面积的范围s和擦除区域长宽比的范围r，以控制数据增强的效果。最后，我们使用matplotlib库中的imshow函数，将增强后的图像显示出来。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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