当给定大量不同质量的训练数据时,CNN往往能够很好地工作。
–图像能够通过可视化的方式,传达复杂场景所蕴含的某种目标主题。
–在Stanford Dogs数据集中,重要的是图像能够以可视化的方式,突出图片中狗的重要性。
–一幅狗位于画面中心的图像,会被认为比狗作为背景的图像更有价值。
并非所有数据集都拥有最有价值的图像。下面所示的两幅图像,按照假设,该数据集本应突出不同的狗的品种
左图突出的是一条典型的墨西哥无毛犬的重要属性,而右图是两个参加聚会的人,在逗一条墨西哥无毛犬。右图中充斥了大量的无关信息,这可能会导致所训练的CNN模型,对参加聚会的人的面部信息,更为关注。类似这样的图像中可能会包含狗,可对其进行操作,使狗而非人,成为真正被突出的对象。下面总结那些对训练CNN有用的图像处理方法。
裁剪会将图像中的某些区域移除,将其中的信息完全丢弃。裁剪与tf.slice类似,后者是将一个张量中的一部分,从完整的张量中移除。当沿某个维度存在多余的输入时,为CNN对输入图像进行裁剪便是十分有用的。
例如,为减少输入的尺寸,可对狗位于图像中心的图片进行裁剪。
sess.run(tf.image.central_crop(image, 0.1))
–图像能够通过可视化的方式,传达复杂场景所蕴含的某种目标主题。
–在Stanford Dogs数据集中,重要的是图像能够以可视化的方式,突出图片中狗的重要性。
–一幅狗位于画面中心的图像,会被认为比狗作为背景的图像更有价值。
并非所有数据集都拥有最有价值的图像。下面所示的两幅图像,按照假设,该数据集本应突出不同的狗的品种
左图突出的是一条典型的墨西哥无毛犬的重要属性,而右图是两个参加聚会的人,在逗一条墨西哥无毛犬。右图中充斥了大量的无关信息,这可能会导致所训练的CNN模型,对参加聚会的人的面部信息,更为关注。类似这样的图像中可能会包含狗,可对其进行操作,使狗而非人,成为真正被突出的对象。下面总结那些对训练CNN有用的图像处理方法。
裁剪会将图像中的某些区域移除,将其中的信息完全丢弃。裁剪与tf.slice类似,后者是将一个张量中的一部分,从完整的张量中移除。当沿某个维度存在多余的输入时,为CNN对输入图像进行裁剪便是十分有用的。
例如,为减少输入的尺寸,可对狗位于图像中心的图片进行裁剪。
sess.run(tf.image.central_crop(image, 0.1))