图像分割(imaging segment) 可以对图片数据进行裁剪,增多训练的数据量么

  统计/机器学习 监督式学习 深度学习 计算机视觉    浏览次数: 170
0

图像分割可以对图片进行裁剪,增加训练的数据量么

 

xiecl   2018-08-28 17:37



   2个回答 
2

图像分割不能从几何空间的维度(长宽高)增加训练数据,比如cnn这类patch based算法,已经用了所有的已定义大小的数据块(patch)。我的理解,图像分割可增加特征信息:

1.一维像素点属于某类/某区域的标签(class/region label)

2.是否是边沿(edge)

3.整个class/region的统计量,比如mean,variance。

我觉得主要看应用,然后设计要添加的信息。

Zealing   2018-08-28 22:01

图像分割的标签也是图像,比如二分类,是一个二值图像,通过裁剪增加训练数据量,应该相应的对标签的图像进行相同裁剪? - xiecl   2018-08-28 22:28
不理解“通过剪裁增加训练数据量”什么意思。图像在几何空间上是以像素为单位,每个像素的特征由RGB变为RGBL,L表示class label,二元时为0/1。 - Zealing   2018-08-28 23:06
剪裁就是对图像去掉一部分,比如通常是左上角之类四个角落,还有中间部分,总共就可以得到五个部分,也就是说数据从一张图片变为了六张,增多训练数据量,比如256*256,就取得[0:240,0:240]然后resize成256*256,那么是不是标签的图像做同样的处理,进行监督训练 - xiecl   2018-08-28 23:27
我觉得xiecl上面这个这个做法OK的,其实是剪裁了边缘外的一些空白,然后再拉伸,其实这个就是是data augmentation的常用方法,Transformation和Scaling - maxroot   2018-08-28 23:40
1. 2D图像其实是一个3维矩阵(height*width*depth),其中depth指特征(feature)的深度,比如RGB。如果你通过segmentation,还可以增加一个label特征,变为RGBL。在2D空间(height*width)上任何变换,RGBL都要保持一致。所以标签L要和RGB做相同的resize和剪裁变换。 2. 你所说的剪裁所增加的信息来至于resize(241x241->256x256),而不是来至于剪裁。resize是data augmentation的一种,本质上是增加了一层固定参数的convolution layer。 3. resize是能提取不同清晰度(resolution)下信息,但是也加入人造的假信息。所以数据实在太少了,可以用;否则慎用。用多少,则要靠经验。 4.如果你是用CNN,可以设计成Unet或pyramid这要的multi-resolution的网络结构,也可以提取不同resolution下的特征。 - Zealing   2018-08-29 00:32
resize(scaling)是常用的data augmentation,但是它对数据的影响比旋转之类的变换要大。我的感觉是,如果你任务是整个图的classification,那可以用resize。如果是每个pixel都有个目标值(regression)的任务,那就要慎用。 你最好详细描述你的任务。 - Zealing   2018-08-29 00:55
1

通常图片数量不够的时候,我们需要增加训练样本的数量,也就是数据增量(data augmentation)。

如果只是随机剪裁的话,可能会造成图片中的信息(轮廓、边缘)不完整。

数据增量的常用方法是旋转图片、翻转图片、增加噪点、调整图片亮度、灰度等等。

maxroot   2018-08-28 22:14



  相关主题

pip install opencv报错   1回答

如何安装pytorch   2回答

CNN中reLU层和max pooling层的前后顺序   2回答

图像处理中rgba是什么意思?   1回答

numpy.array转换为图片并显示出来   2回答

一个关于机器学习模型性能的问题。   1回答

数据归一化问题   1回答

用神经网络做二元分类,输出层用Sigmoid还是Softmax?   3回答

神经网络中的gradient check是什么意思?   2回答

前馈神经网络如何选择隐藏层的数量   2回答

关于神经网络的性能   1回答

训练神经网络中经常提到的epoch是什么意思   2回答



回答问题时需要注意什么?

我们谢绝在回答前讲“生动”的故事。

我们谢绝“这么简单,你自己想”、“书上有的,你认真看”这类的回答;如果你认为对方的提问方式或者内容不妥,你可以直接忽略该问题,不用进行任何作答,甚至可以对该问题投反对票。

我们谢绝答非所问。

我们谢绝自己不会、硬要回答。

我们感激每一个用户在编写答案时的努力与付出!