大鸡巴欧美,日韩肏屄视频在线观看,日日干免费视频,国产AV影视,91天天综合网,天天综合网,亚洲综合日韩在线,爆操嫩逼,国产免费小视频

點(diǎn)擊上方“CVer”，選擇加"星標(biāo)"置頂

重磅干貨，第一時(shí)間送達(dá)

如果要把深度學(xué)習(xí)開(kāi)發(fā)過(guò)程中幾個(gè)環(huán)節(jié)按重要程度排個(gè)序的話，相信準(zhǔn)備訓(xùn)練數(shù)據(jù)肯定能排在前幾位。要知道一個(gè)模型網(wǎng)絡(luò)被編寫(xiě)出來(lái)后，也只是一坨代碼而已，和智能基本不沾邊，它只有通過(guò)學(xué)習(xí)大量的數(shù)據(jù)，才能學(xué)會(huì)如何作推理。因此訓(xùn)練數(shù)據(jù)其實(shí)和一樣?xùn)|西非常像！——武俠小說(shuō)中的神功秘笈，學(xué)之前菜鳥(niǎo)一只，學(xué)之后一統(tǒng)江湖！

但很可惜的是，訓(xùn)練數(shù)據(jù)和秘笈還有一個(gè)特點(diǎn)很相似，那就是可遇而不可求！也就是說(shuō)很難獲取，除了那些公共數(shù)據(jù)集之外，如果用戶(hù)想基于自己的業(yè)務(wù)場(chǎng)景準(zhǔn)備數(shù)據(jù)的話，不僅數(shù)據(jù)的生產(chǎn)和標(biāo)注過(guò)程會(huì)比較復(fù)雜，而且一般需要的數(shù)量規(guī)模也會(huì)非常龐大，因?yàn)橹挥谐渥愕臄?shù)據(jù)，才能確保模型訓(xùn)練的效果，這導(dǎo)致數(shù)據(jù)集的制作成本往往非常高。這個(gè)情況在計(jì)算機(jī)視覺(jué)領(lǐng)域尤甚，因?yàn)閳D像要一張一張拍攝與標(biāo)注，要是搞個(gè)幾十萬(wàn)圖片，想想都讓人“不寒而栗”！

為了應(yīng)對(duì)上述問(wèn)題，在計(jì)算機(jī)視覺(jué)領(lǐng)域中，圖像數(shù)據(jù)增廣是一種常用的解決方法，常用于數(shù)據(jù)量不足或者模型參數(shù)較多的場(chǎng)景。如果用戶(hù)手中數(shù)據(jù)有限的話，則可以使用數(shù)據(jù)增廣的方法擴(kuò)充數(shù)據(jù)集。一些常見(jiàn)的圖像分類(lèi)任務(wù)中，例如ImageNet一千種物體分類(lèi)，在預(yù)處理階段會(huì)使用一些標(biāo)準(zhǔn)的數(shù)據(jù)增廣方法，包括隨機(jī)裁剪和翻轉(zhuǎn)。除了這些標(biāo)準(zhǔn)的數(shù)據(jù)增廣方法之外，飛槳的圖像分類(lèi)套件PaddleClas還會(huì)額外支持8種數(shù)據(jù)增廣方法，下面將為大家逐一講解。

下文所有的代碼都來(lái)自PaddleClas：

GitHub 鏈接:?

https://github.com/PaddlePaddle/PaddleClas?

Gitee 鏈接:?

https://gitee.com/paddlepaddle/PaddleClas

8大數(shù)據(jù)增廣方法

首先咱們先來(lái)看看以ImageNet圖像分類(lèi)任務(wù)為代表的標(biāo)準(zhǔn)數(shù)據(jù)增廣方法，該方法的操作過(guò)程可以分為以下幾個(gè)步驟：

圖像解碼，也就是將圖像轉(zhuǎn)為Numpy格式的數(shù)據(jù)，簡(jiǎn)寫(xiě)為 ImageDecode。
圖像隨機(jī)裁剪，隨機(jī)將圖像的長(zhǎng)寬均裁剪為 224 大小，簡(jiǎn)寫(xiě)為 RandCrop。
水平方向隨機(jī)翻轉(zhuǎn)，簡(jiǎn)寫(xiě)為 RandFlip。
圖像數(shù)據(jù)的歸一化，簡(jiǎn)寫(xiě)為 Normalize。
圖像數(shù)據(jù)的重排。圖像的數(shù)據(jù)格式為[H, W, C]（即高度、寬度和通道數(shù)），而神經(jīng)網(wǎng)絡(luò)使用的訓(xùn)練數(shù)據(jù)的格式為[C, H, W]，因此需要對(duì)圖像數(shù)據(jù)重新排列，例如[224, 224, 3]?變?yōu)?[3, 224, 224]，簡(jiǎn)寫(xiě)為 Transpose。
多幅圖像數(shù)據(jù)組成 batch 數(shù)據(jù)，如 BatchSize 個(gè)?[3, 224, 224]?的圖像數(shù)據(jù)拼組成?[batch-size, 3, 224, 224]，簡(jiǎn)寫(xiě)為 Batch。

相比于上述標(biāo)準(zhǔn)的圖像增廣方法，研究者也提出了很多改進(jìn)的圖像增廣策略，這些策略均是在標(biāo)準(zhǔn)增廣方法的不同階段插入一定的操作，基于這些策略操作所處的不同階段，大概分為三類(lèi)：

圖像變換類(lèi)：對(duì) RandCrop 后的 224 的圖像進(jìn)行一些變換，包括AutoAugment和RandAugment。
圖像裁剪類(lèi)：對(duì)Transpose 后的 224 的圖像進(jìn)行一些裁剪，包括CutOut、RandErasing、HideAndSeek和GridMask。
圖像混疊：對(duì) Batch 后的數(shù)據(jù)進(jìn)行混合或疊加，包括Mixup和Cutmix。

PaddleClas中集成了上述所有的數(shù)據(jù)增廣策略，每種數(shù)據(jù)增廣策略的參考論文與參考開(kāi)源代碼均在下面的介紹中列出。下文將介紹這些策略的原理與使用方法，并以下圖為例，對(duì)變換后的效果進(jìn)行可視化。

圖像變換類(lèi)

通過(guò)組合一些圖像增廣的子策略對(duì)圖像進(jìn)行修改和跳轉(zhuǎn)，這些子策略包括亮度變換、對(duì)比度增強(qiáng)、銳化等。基于策略組合的規(guī)則不同，可以劃分為AutoAugment和RandAugment兩種方式。

AutoAugment

論文地址：

https://arxiv.org/abs/1805.09501v1

不同于常規(guī)的人工設(shè)計(jì)圖像增廣方式，AutoAugment是在一系列圖像增廣子策略的搜索空間中通過(guò)搜索算法找到并組合成適合特定數(shù)據(jù)集的圖像增廣方案。針對(duì)ImageNet數(shù)據(jù)集，最終搜索出來(lái)的數(shù)據(jù)增廣方案包含 25 個(gè)子策略組合，每個(gè)子策略中都包含兩種變換，針對(duì)每幅圖像都隨機(jī)的挑選一個(gè)子策略組合，然后以一定的概率來(lái)決定是否執(zhí)行子策略中的每種變換。

PaddleClas中AutoAugment的使用方法如下所示。

from?ppcls.data.imaug?import?DecodeImage
from?ppcls.data.imaug?import?ResizeImage
from?ppcls.data.imaug?import?ImageNetPolicy
from?ppcls.data.imaug?import?transform

size?=?224
#?圖像解碼
decode_op?=?DecodeImage()
#?圖像隨機(jī)裁剪
resize_op?=?ResizeImage(size=(size,?size))
#?使用AutoAugment圖像增廣方法
autoaugment_op?=?ImageNetPolicy()

ops?=?[decode_op,?resize_op,?autoaugment_op]
#?圖像路徑
imgs_dir?=?“/imgdir/xxx.jpg”??
fnames?=?os.listdir(imgs_dir)
for?f?in?fnames:
????data?=?open(os.path.join(imgs_dir,?f)).read()
????img?=?transform(data,?ops)

變換結(jié)果如下圖所示。

RandAugment

論文地址：

https://arxiv.org/pdf/1909.13719.pdf

AutoAugment 的搜索方法比較暴力，直接在數(shù)據(jù)集上搜索針對(duì)該數(shù)據(jù)集的最優(yōu)策略，計(jì)算量會(huì)很大。在 RandAugment對(duì)應(yīng)的論文中作者發(fā)現(xiàn)，針對(duì)越大的模型，越大的數(shù)據(jù)集，使用 AutoAugment 方式搜索到的增廣方式產(chǎn)生的收益也就越小；而且這種搜索出的最優(yōu)策略是針對(duì)指定數(shù)據(jù)集的，遷移能力較差，并不太適合遷移到其他數(shù)據(jù)集上。

在 RandAugment 中，作者提出了一種隨機(jī)增廣的方式，不再像 AutoAugment 中那樣使用特定的概率確定是否使用某種子策略，而是所有的子策略都會(huì)以同樣的概率被選擇到，論文中的實(shí)驗(yàn)也表明這種數(shù)據(jù)增廣方式即使在大模型的訓(xùn)練中也具有很好的效果。

PaddleClas中RandAugment的使用方法如下所示。

from?ppcls.data.imaug?import?DecodeImage
from?ppcls.data.imaug?import?ResizeImage
from?ppcls.data.imaug?import?RandAugment
from?ppcls.data.imaug?import?transform

size?=?224
#?圖像解碼
decode_op?=?DecodeImage()
#?圖像隨機(jī)裁剪
resize_op?=?ResizeImage(size=(size,?size))
#?使用RandAugment圖像增廣方法
randaugment_op?=?RandAugment()

ops?=?[decode_op,?resize_op,?randaugment_op]
#?圖像路徑
imgs_dir?=?“/imgdir/xxx.jpg”??
fnames?=?os.listdir(imgs_dir)
for?f?in?fnames:
????data?=?open(os.path.join(imgs_dir,?f)).read()
????img?=?transform(data,?ops)

變換結(jié)果如下圖所示。

圖像裁剪類(lèi)

圖像裁剪類(lèi)主要是對(duì)Transpose 后的 224 的圖像進(jìn)行一些裁剪，即裁剪掉部分圖像，或者也可以理解為對(duì)部分圖像做遮蓋，共有CutOut、RandErasing、HideAndSeek和GridMask四種方法。

Cutout

論文地址：

https://arxiv.org/abs/1708.04552

Cutout 可以理解為 Dropout 的一種擴(kuò)展操作，不同的是 Dropout 是對(duì)圖像經(jīng)過(guò)網(wǎng)絡(luò)后生成的特征進(jìn)行遮擋，而 Cutout 是直接對(duì)輸入的圖像進(jìn)行遮擋，相對(duì)于Dropout對(duì)噪聲的魯棒性更好。作者在論文中也進(jìn)行了說(shuō)明，這樣做法有以下兩點(diǎn)優(yōu)勢(shì)：

通過(guò) Cutout 可以模擬真實(shí)場(chǎng)景中主體被部分遮擋時(shí)的分類(lèi)場(chǎng)景。
可以促進(jìn)模型充分利用圖像中更多的內(nèi)容來(lái)進(jìn)行分類(lèi)，防止網(wǎng)絡(luò)只關(guān)注顯著性的圖像區(qū)域，從而發(fā)生過(guò)擬合。

PaddleClas中Cutout的使用方法如下所示。

from?ppcls.data.imaug?import?DecodeImage
from?ppcls.data.imaug?import?ResizeImage
from?ppcls.data.imaug?import?Cutout
from?ppcls.data.imaug?import?transform

size?=?224
#?圖像解碼
decode_op?=?DecodeImage()
#?圖像隨機(jī)裁剪
resize_op?=?ResizeImage(size=(size,?size))
#?使用Cutout圖像增廣方法
cutout_op?=?Cutout(n_holes=1,?length=112)

ops?=?[decode_op,?resize_op,?cutout_op]
#?圖像路徑
imgs_dir?=?“/imgdir/xxx.jpg”??
fnames?=?os.listdir(imgs_dir)
for?f?in?fnames:
????data?=?open(os.path.join(imgs_dir,?f)).read()
????img?=?transform(data,?ops)

裁剪結(jié)果如下圖所示：

RandomErasing

論文地址：

https://arxiv.org/pdf/1708.04896.pdf

RandomErasing 與 Cutout 方法類(lèi)似，同樣是為了解決訓(xùn)練出的模型在有遮擋數(shù)據(jù)上泛化能力較差的問(wèn)題，作者在論文中也指出，隨機(jī)裁剪的方式與隨機(jī)水平翻轉(zhuǎn)具有一定的互補(bǔ)性。作者也在行人再識(shí)別（REID）上驗(yàn)證了該方法的有效性。與Cutout不同的是，在RandomErasing中，圖片以一定的概率接受該種預(yù)處理方法，生成掩碼的尺寸大小與長(zhǎng)寬比也是根據(jù)預(yù)設(shè)的超參數(shù)隨機(jī)生成。

PaddleClas中RandomErasing的使用方法如下所示。

from?ppcls.data.imaug?import?DecodeImage
from?ppcls.data.imaug?import?ResizeImage
from?ppcls.data.imaug?import?ToCHWImage
from?ppcls.data.imaug?import?RandomErasing
from?ppcls.data.imaug?import?transform

size?=?224
#?圖像解碼
decode_op?=?DecodeImage()
#?圖像隨機(jī)裁剪
resize_op?=?ResizeImage(size=(size,?size))
#?使用RandomErasing圖像增廣方法
randomerasing_op?=?RandomErasing()

ops?=?[decode_op,?resize_op,?tochw_op,?randomerasing_op]
#?圖像路徑
imgs_dir?=?“/imgdir/xxx.jpg”??
fnames?=?os.listdir(imgs_dir)
for?f?in?fnames:
????data?=?open(os.path.join(imgs_dir,?f)).read()
????img?=?transform(data,?ops)
????img?=?img.transpose((1,?2,?0))

裁剪結(jié)果如下圖所示。

HideAndSeek

論文地址：

https://arxiv.org/pdf/1811.02545.pdf

HideAndSeek方法將圖像分為若干大小相同的區(qū)域塊(patch)，對(duì)于每塊區(qū)域，都以一定的概率生成掩碼，如下圖所示，可能是完全遮擋、完全不遮擋或者遮擋部分。

PaddleClas中HideAndSeek的使用方法如下所示：

from?ppcls.data.imaug?import?DecodeImage
from?ppcls.data.imaug?import?ResizeImage
from?ppcls.data.imaug?import?ToCHWImage
from?ppcls.data.imaug?import?HideAndSeek
from?ppcls.data.imaug?import?transform

size?=?224
#?圖像解碼
decode_op?=?DecodeImage()
#?圖像隨機(jī)裁剪
resize_op?=?ResizeImage(size=(size,?size))
#?使用HideAndSeek圖像增廣方法
hide_and_seek_op?=?HideAndSeek()

ops?=?[decode_op,?resize_op,?tochw_op,?hide_and_seek_op]
#?圖像路徑
imgs_dir?=?“/imgdir/xxx.jpg”??
fnames?=?os.listdir(imgs_dir)
for?f?in?fnames:
????data?=?open(os.path.join(imgs_dir,?f)).read()
????img?=?transform(data,?ops)
????img?=?img.transpose((1,?2,?0))

裁剪結(jié)果如下圖所示。

GridMask

論文地址：

https://arxiv.org/abs/2001.04086

作者在論文中指出，之前的圖像裁剪方法存在兩個(gè)問(wèn)題，如下圖所示：

過(guò)度刪除區(qū)域可能造成目標(biāo)主體大部分甚至全部被刪除，或者導(dǎo)致上下文信息的丟失，導(dǎo)致增廣后的數(shù)據(jù)成為噪聲數(shù)據(jù)；
保留過(guò)多的區(qū)域，對(duì)目標(biāo)主體及上下文基本產(chǎn)生不了什么影響，失去增廣的意義。

因此如何避免過(guò)度刪除或過(guò)度保留成為需要解決的核心問(wèn)題。GridMask是通過(guò)生成一個(gè)與原圖分辨率相同的掩碼，并將掩碼進(jìn)行隨機(jī)翻轉(zhuǎn)，與原圖相乘，從而得到增廣后的圖像，通過(guò)超參數(shù)控制生成的掩碼網(wǎng)格的大小。

在訓(xùn)練過(guò)程中，有兩種以下使用方法：

設(shè)置一個(gè)概率p，從訓(xùn)練開(kāi)始就對(duì)圖片以概率p使用GridMask進(jìn)行增廣。
一開(kāi)始設(shè)置增廣概率為0，隨著迭代輪數(shù)增加，對(duì)訓(xùn)練圖片進(jìn)行GridMask增廣的概率逐漸增大，最后變?yōu)閜。

論文中表示，經(jīng)過(guò)驗(yàn)證后，上述第二種方法的訓(xùn)練效果更好一些。

PaddleClas中GridMask的使用方法如下所示。

from?data.imaug?import?DecodeImage
from?data.imaug?import?ResizeImage
from?data.imaug?import?ToCHWImage
from?data.imaug?import?GridMask
from?data.imaug?import?transform

size?=?224
#?圖像解碼
decode_op?=?DecodeImage()
#?圖像隨機(jī)裁剪
resize_op?=?ResizeImage(size=(size,?size))
#?圖像數(shù)據(jù)的重排
tochw_op?=?ToCHWImage()
#?使用GridMask圖像增廣方法
gridmask_op?=?GridMask(d1=96,?d2=224,?rotate=1,?ratio=0.6,?mode=1,?prob=0.8)

ops?=?[decode_op,?resize_op,?tochw_op,?gridmask_op]
#?圖像路徑
imgs_dir?=?“/imgdir/xxx.jpg”?
fnames?=?os.listdir(imgs_dir)
for?f?in?fnames:
????data?=?open(os.path.join(imgs_dir,?f)).read()
????img?=?transform(data,?ops)
????img?=?img.transpose((1,?2,?0))

結(jié)果如下圖所示：

圖像混疊

前文所述的圖像變換與圖像裁剪都是針對(duì)單幅圖像進(jìn)行的操作，而圖像混疊是對(duì)兩幅圖像進(jìn)行融合，生成一幅圖像，Mixup和Cutmix兩種方法的主要區(qū)別為混疊的方式不太一樣。

Mixup

論文地址：

https://arxiv.org/pdf/1710.09412.pdf

Mixup是最先提出的圖像混疊增廣方案，其原理就是直接對(duì)兩幅圖的像素以一個(gè)隨機(jī)的比例進(jìn)行相加，不僅簡(jiǎn)單，而且方便實(shí)現(xiàn)，在圖像分類(lèi)和目標(biāo)檢測(cè)領(lǐng)域上都取得了不錯(cuò)的效果。為了便于實(shí)現(xiàn)，通常只對(duì)一個(gè) batch 內(nèi)的數(shù)據(jù)進(jìn)行混疊，在Cutmix中也是如此。

如下是imaug中的實(shí)現(xiàn)，需要指出的是，下述實(shí)現(xiàn)會(huì)出現(xiàn)對(duì)同一幅進(jìn)行相加的情況，也就是最終得到的圖和原圖一樣，隨著 batch-size 的增加這種情況出現(xiàn)的概率也會(huì)逐漸減小。

PaddleClas中Mixup的使用方法如下所示。

from?ppcls.data.imaug?import?DecodeImage
from?ppcls.data.imaug?import?ResizeImage
from?ppcls.data.imaug?import?ToCHWImage
from?ppcls.data.imaug?import?transform
from?ppcls.data.imaug?import?MixupOperator

size?=?224
#?圖像解碼
decode_op?=?DecodeImage()
#?圖像隨機(jī)裁剪
resize_op?=?ResizeImage(size=(size,?size))
#?圖像數(shù)據(jù)的重排
tochw_op?=?ToCHWImage()
#?使用HideAndSeek圖像增廣方法
hide_and_seek_op?=?HideAndSeek()
#?使用Mixup圖像增廣方法
mixup_op?=?MixupOperator()

ops?=?[decode_op,?resize_op,?tochw_op]

imgs_dir?=?“/imgdir/xxx.jpg”??#圖像路徑
batch?=?[]
fnames?=?os.listdir(imgs_dir)
for?idx,?f?in?enumerate(fnames):
????data?=?open(os.path.join(imgs_dir,?f)).read()
????img?=?transform(data,?ops)
????batch.append(?(img,?idx)?)?#?fake?label

new_batch?=?mixup_op(batch)

混疊結(jié)果如下圖所示。

Cutmix

論文地址：

https://arxiv.org/pdf/1905.04899v2.pdf

與 Mixup 直接對(duì)兩幅圖進(jìn)行相加不一樣，Cutmix 是從另一幅圖中隨機(jī)裁剪出一個(gè) ROI（region of interest, 感興趣區(qū)域），然后覆蓋當(dāng)前圖像中對(duì)應(yīng)的區(qū)域，代碼實(shí)現(xiàn)如下所示：

from?ppcls.data.imaug?import?DecodeImage
from?ppcls.data.imaug?import?ResizeImage
from?ppcls.data.imaug?import?ToCHWImage
from?ppcls.data.imaug?import?transform
from?ppcls.data.imaug?import?CutmixOperator

size?=?224

#?圖像解碼
decode_op?=?DecodeImage()
#?圖像隨機(jī)裁剪
resize_op?=?ResizeImage(size=(size,?size))
#?圖像數(shù)據(jù)的重排
tochw_op?=?ToCHWImage()
#?使用HideAndSeek圖像增廣方法
hide_and_seek_op?=?HideAndSeek()
#?使用Cutmix圖像增廣方法
cutmix_op?=?CutmixOperator()


ops?=?[decode_op,?resize_op,?tochw_op]

imgs_dir?=?“/imgdir/xxx.jpg”??#圖像路徑

batch?=?[]
fnames?=?os.listdir(imgs_dir)
for?idx,?f?in?enumerate(fnames):
????data?=?open(os.path.join(imgs_dir,?f)).read()
????img?=?transform(data,?ops)
????batch.append(?(img,?idx)?)?#?fake?label

new_batch?=?cutmix_op(batch)

混疊結(jié)果如下圖所示：

實(shí)驗(yàn)

經(jīng)過(guò)實(shí)驗(yàn)驗(yàn)證，在ImageNet1k數(shù)據(jù)集上基于PaddleClas使用不同數(shù)據(jù)增廣方式的分類(lèi)精度如下所示，可見(jiàn)通過(guò)數(shù)據(jù)增廣方式可以有效提升模型的準(zhǔn)確率。

注意：

在這里的實(shí)驗(yàn)中，為了便于對(duì)比，將l2 decay固定設(shè)置為1e-4，在實(shí)際使用中，更小的l2 decay一般效果會(huì)更好。結(jié)合數(shù)據(jù)增廣，將l2 decay由1e-4減小為7e-5均能帶來(lái)至少0.3~0.5%的精度提升。

PaddleClas數(shù)據(jù)增廣避坑
指南以及部分注意事項(xiàng)

最后再為大家介紹幾個(gè)PaddleClas數(shù)據(jù)增廣使用方面的小Trick：

在使用圖像混疊類(lèi)的數(shù)據(jù)處理時(shí)，需要將配置文件中的use_mix設(shè)置為T(mén)rue，另外由于圖像混疊時(shí)需對(duì)label進(jìn)行混疊，無(wú)法計(jì)算訓(xùn)練數(shù)據(jù)的準(zhǔn)確率，所以在訓(xùn)練過(guò)程中沒(méi)有打印訓(xùn)練準(zhǔn)確率。
在使用數(shù)據(jù)增廣后，由于訓(xùn)練數(shù)據(jù)更難，所以訓(xùn)練損失函數(shù)可能較大，訓(xùn)練集的準(zhǔn)確率相對(duì)較低，但其擁有更好的泛化能力，所以驗(yàn)證集的準(zhǔn)確率相對(duì)較高。
在使用數(shù)據(jù)增廣后，模型可能會(huì)趨于欠擬合狀態(tài)，建議可以適當(dāng)?shù)恼{(diào)小l2_decay的值來(lái)獲得更高的驗(yàn)證集準(zhǔn)確率。
幾乎每一類(lèi)圖像增廣均含有超參數(shù)，PaddleClas在這里只提供了基于ImageNet-1k的超參數(shù)，其他數(shù)據(jù)集需要用戶(hù)自己調(diào)試超參數(shù)，當(dāng)然如果對(duì)于超參數(shù)的含義不太清楚的話，可以閱讀相關(guān)的論文，調(diào)試方法也可以參考訓(xùn)練技巧的章節(jié)(
https://github.com/PaddlePaddle/PaddleClas/blob/master/docs/zh_CN/models/Tricks.md)。

如在使用過(guò)程中有問(wèn)題，可加入飛槳官方QQ群進(jìn)行交流：1108045677。

如果您想詳細(xì)了解更多飛槳的相關(guān)內(nèi)容，請(qǐng)參閱以下文檔。

·飛槳官網(wǎng)地址·

https://www.paddlepaddle.org.cn/

·飛槳開(kāi)源框架項(xiàng)目地址·

GitHub:?

https://github.com/PaddlePaddle/Paddle?

Gitee:?

https://gitee.com/paddlepaddle/Paddle

·飛槳PaddleClas項(xiàng)目地址·

GitHub:?

https://github.com/PaddlePaddle/PaddleClas?

Gitee:?

https://gitee.com/paddlepaddle/PaddleClas

END

精彩賽事推薦

計(jì)算機(jī)視覺(jué)的數(shù)據(jù)增廣技術(shù)大盤(pán)點(diǎn)！附漲點(diǎn)神器，已開(kāi)源！

首先咱們先來(lái)看看以ImageNet圖像分類(lèi)任務(wù)為代表的標(biāo)準(zhǔn)數(shù)據(jù)增廣方法，該方法的操作過(guò)程可以分為以下幾個(gè)步驟：

論文地址：

https://arxiv.org/abs/1805.09501v1

圖像裁剪類(lèi)主要是對(duì)Transpose 后的 224 的圖像進(jìn)行一些裁剪，即裁剪掉部分圖像，或者也可以理解為對(duì)部分圖像做遮蓋，共有CutOut、RandErasing、HideAndSeek和GridMask四種方法。

論文地址：

https://arxiv.org/abs/1708.04552

論文地址：

https://arxiv.org/pdf/1708.04896.pdf

論文地址：

https://arxiv.org/pdf/1811.02545.pdf

論文地址：

https://arxiv.org/abs/2001.04086

前文所述的圖像變換與圖像裁剪都是針對(duì)單幅圖像進(jìn)行的操作，而圖像混疊是對(duì)兩幅圖像進(jìn)行融合，生成一幅圖像，Mixup和Cutmix兩種方法的主要區(qū)別為混疊的方式不太一樣。

論文地址：

https://arxiv.org/pdf/1905.04899v2.pdf

經(jīng)過(guò)實(shí)驗(yàn)驗(yàn)證，在ImageNet1k數(shù)據(jù)集上基于PaddleClas使用不同數(shù)據(jù)增廣方式的分類(lèi)精度如下所示，可見(jiàn)通過(guò)數(shù)據(jù)增廣方式可以有效提升模型的準(zhǔn)確率。

最后再為大家介紹幾個(gè)PaddleClas數(shù)據(jù)增廣使用方面的小Trick：

計(jì)算機(jī)視覺(jué)的數(shù)據(jù)增廣技術(shù)大盤(pán)點(diǎn)！附漲點(diǎn)神器，已開(kāi)源！

首先咱們先來(lái)看看以ImageNet圖像分類(lèi)任務(wù)為代表的標(biāo)準(zhǔn)數(shù)據(jù)增廣方法，該方法的操作過(guò)程可以分為以下幾個(gè)步驟：

圖像裁剪類(lèi)主要是對(duì)Transpose 后的 224 的圖像進(jìn)行一些裁剪，即裁剪掉部分圖像，或者也可以理解為對(duì)部分圖像做遮蓋，共有CutOut、RandErasing、HideAndSeek和GridMask四種方法。

前文所述的圖像變換與圖像裁剪都是針對(duì)單幅圖像進(jìn)行的操作，而圖像混疊是對(duì)兩幅圖像進(jìn)行融合，生成一幅圖像，Mixup和Cutmix兩種方法的主要區(qū)別為混疊的方式不太一樣。

經(jīng)過(guò)實(shí)驗(yàn)驗(yàn)證，在ImageNet1k數(shù)據(jù)集上基于PaddleClas使用不同數(shù)據(jù)增廣方式的分類(lèi)精度如下所示，可見(jiàn)通過(guò)數(shù)據(jù)增廣方式可以有效提升模型的準(zhǔn)確率。