trick—Data Augmentation
来源:互联网 发布:网络的好处 英语作文 编辑:程序博客网 时间:2024/05/29 19:18
海康威视研究院ImageNet2016竞赛经验分享
海康威视经验
数据增强对最后的识别性能和泛化能力都有着非常重要的作用。我们使用下面这些数据增强方法。第一,对颜色的数据增强,包括色彩的饱和度、亮度和对比度等方面,主要从Facebook的代码里改过来的。第二,PCA Jittering,最早是由Alex在他2012年赢得ImageNet竞赛的那篇NIPS中提出来的. 我们首先按照RGB三个颜色通道计算了均值和标准差,对网络的输入数据进行规范化,随后我们在整个训练集上计算了协方差矩阵,进行特征分解,得到特征向量和特征值,用来做PCA Jittering。第三,在图像进行裁剪和缩放的时候,我们采用了随机的图像差值方式。第四, Crop Sampling,就是怎么从原始图像中进行缩放裁剪获得网络的输入。比较常用的有2种方法:一是使用Scale Jittering,VGG和ResNet模型的训练都用了这种方法。二是尺度和长宽比增强变换,最早是Google提出来训练他们的Inception网络的。我们对其进行了改进,提出Supervised Data Augmentation方法。
尺度和长宽比增强变换有个缺点,随机去选Crop Center的时候,选到的区域有时候并不包括真实目标的区域。这意味着,有时候使用了错误的标签去训练模型。如图所示,左下角的图真值标签是风车农场,但实际上裁剪的区域是蓝天白云,其中并没有任何风车和农场的信息。我们在Bolei今年CVPR文章的启发下,提出了有监督的数据增强方法。我们首先按照通常方法训练一个模型,然后用这个模型去生成真值标签的Class Activation Map(或者说Heat Map), 这个Map指示了目标物体出现在不同位置的概率. 我们依据这个概率,在Map上随机选择一个位置,然后映射回原图,在原图那个位置附近去做Crop。
如图所示,对比原始的尺度和长宽比增强变换,我们方法的优点在于,我们根据目标物体出现在不同位置的概率信息,去选择不同的Crop区域,送进模型训练。通过引入这种有监督的信息,我们可以利用正确的信息来更好地训练模型,以提升识别准确率。 (+0.5~0.7)
- trick—Data Augmentation
- Data Augmentation
- data augmentation
- Data Augmentation.
- image——Data Augmentation的代码
- data augmentation 个人理解
- DATA Augmentation 数据增强
- data augmentation and dropout
- 数据增强 data augmentation
- Data Augmentation & data Transfer Learning
- 数据增强(data Augmentation)
- CNN Data Augmentation(数据增强)-旋转
- 深度学习中的Data Augmentation方法
- keras入门 --- Data augmentation(数据扩充)
- 02-深度学习中的Data Augmentation方法
- data augmentation 数据增强方法总结
- 深度学习样本生成data augmentation
- data augmentation 数据增强方法总结
- python的类变量与实例变量以及__dict__属性
- Loadrunner 判断事务是否成功的几个方法
- Dagger2使用笔记
- python3连接mysql数据库及异常信息处理【Python入坑系列】
- SELECT INTO FROM语句
- trick—Data Augmentation
- The Monster (Codefores-787A)
- c++ 优先级队列输出最小值
- A
- centos安装mongodb、GridFS、Nginx
- 【题解】vijos1080 Function(Function(Function(Fu...
- 2017 JS开发指南
- AOP是什么?与OOP的区别,java 动态代理
- Linux所有的窗口关闭图标都消失