0

我正在尝试使用 Keras ImageDataGenerator 用大型立体数据集训练我的模型。

对于每个场景，我有两个 rgb 图像，我必须将它们拆分并连接起来，以获得 6 个单通道图像作为模型的输入（即这个形状 (6,224,224,1)）。对于小型数据集，这很容易，因为我可以将两个子数据集上传到内存中，并将图像的串联处理为 ndarrays。但是对于 ImageDataGenerator，情况就不一样了，因为我必须确保它从两个子数据集中获取相同的批次，并且能够在将输入传递给我的模型之前处理连接。

受这篇文章的启发，我尝试了以下代码：

input_imgen = ImageDataGenerator()

def generate_generator_multiple(generator,dir1, dir2, batch_size):
    genX1 = generator.flow_from_directory(directory=dir1,
                                          color_mode="rgb",
                                          batch_size=batch_size,
                                          class_mode="categorical",
                                          shuffle=False)



    genX2 = generator.flow_from_directory(directory=dir2,
                                          color_mode="rgb",
                                          batch_size=batch_size,
                                          class_mode="categorical",
                                          shuffle=False)
    while True:
            X1i = genX1.next()
            X2i = genX2.next()
            yield [X1i[0], X2i[0]], X2i[1]

在我的情况下，我如何处理两个系列 X1i[0] 和 X2i[0] 以及批量大小（224,224,3）的图像，以获得 X1Sum 的大小（6,224,224），而不是：yield [X1i[0] , X2i[0]], X2i[1] 我将得到：yield X1Sum, X2i[1]

4

1 回答 1

1

在我看来，您可以简单地将列表转换为数组，然后用于np.concatenate合并通道并将np.swapaxes通道放在前面。带输出的示例代码：

import numpy as np

list_a = []
list_b = []

for i in range(5):
    list_a.append(np.random.rand(4, 4, 3))
    list_b.append(np.random.rand(4, 4, 3))

a = np.array(list_a)
b = np.array(list_b)
print(a.shape)
print(b.shape)
c = np.concatenate((a, b), axis=-1)
print(c.shape)
c = np.swapaxes(c, 0, -1)
print(c.shape)

输出是：

(5, 4, 4, 3)
(5, 4, 4, 3)
(5, 4, 4, 6)
(6, 4, 4, 5)

我想这就是你想要做的。

于 2019-05-07T13:09:14.410 回答