问题标签 [image-augmentation]

我必须将每个图像的对应图像添加到原始 CIFAR 数据集中，旋转 90 度。这个想法是创建一个 RotationDateset，一个扩展 datasets.VisionDataset 的类，它采用 CIFAR 并执行上述操作。

//org_dataset 是 CIFAR //num_rots 是 4 //transforms 是 transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.5, 0.5,0.5), (0.5, 0.5, 0.5))])

这是我最初导入和转换 CIFAR 的方式：

这是我创建 CIFAR 增强的方法：

和模型训练

//问题是当我启动模型时，pythorch会抛出这个错误：

任何人都可以帮助我吗？提前致谢

我有心音信号的图像，我想找到正负峰值并删除 0.25 和 -0.25 之间的信号，然后峰值将连接并形成像图 2 中的图像，我认为它可以用 python 的库来完成，比如SciPy，但我找不到任何答案。任何帮助将非常感激。

图 1

图 2

我对增强如何增加图像数量感到困惑。我可以计算吗？假设我批量有 10 张图片

在 pytorch 中进行增强后，我的模型将在一个批次中训练多少张图像。我知道最后数据大小保持不变，但我想知道它是否会在管道中的任何时候增加

在Keras 的文档中，ImageDataGenerator引用了一个名为brightness_range(default None) 的参数。文档说这个 arg 接受

元组或两个浮点数的列表。从中选择亮度偏移值的范围。

这是非常模棱两可的。这是否意味着范围内的浮点数（0,255）？或者它是否意味着范围（0,1）内的浮点数？缺乏特异性表明两者都可以工作，但我不知道这个工具是如何使用的。是否有任何进一步的文档或使用此 arg 的一般最佳实践？

我在 中创建了一个混合模型Keras，为元数据和图像数据创建权重，然后将它们组合起来进行分类。这是模型：

由于不平衡，我决定增加图像。我使用了以下 ImageDataGenerator：

然后我编译并尝试使用以下方法训练模型ImageDataGenerator().flow()：

这给了我一个错误：

我已经尝试了多个版本的代码，但我只是对后端不够熟悉，无法正确诊断问题。谁能帮我这个？

型号代码和 MRE

型号代码

元训练 MRE

img_train MRE

数组太大，请参见此处的代码。

y_train.shape

我有一个在 PNG 图像上创建遮挡的脚本。来自https://arxiv.org/pdf/2001.04086.pdf的数据增强遮挡技术。

该脚本运行良好，可以很好地创建遮挡，但它们在 PNG 上绘制为黑色矩形。

我希望他们做的是从 PNG 中剪下这些矩形，并使其成为 PNG 的 alpha 层的一部分，这样当粘贴到背景顶部时，背景会通过矩形显示。基本上使黑色矩形透明。

当前的实现输出如下所示：

下面的完整脚本，但需要在这里工作的区域：

已尝试添加 alpha 蒙版，但这会从背景中删除 alpha 通道并使矩形保持黑色。

完整的脚本（有人可能会喜欢）：

我可以在 python 中实现 imgaug 或albumentations。但是，我想从理论上更多地了解变换操作，这是与数学相关的公式。特别是亮度增强、尺度增强和天气增强。

我找到了一个介绍我的问题的网站。（https://www.frontiersin.org/articles/10.3389/fncom.2019.00083/full）

您能否推荐或教授上述操作？

谢谢

我正在研究一个有 6 个类的多类语义分割问题。我在 keras ImageDataGenerator 中增强了图像和蒙版。现在我想将我的面具转换为分类。这样我就可以将其输入到 Unet。如果我在增加掩码后尝试转换为分类，内存就会消失。如果我尝试在增强之前对其进行转换，图像生成器会抛出一个错误，因为它只支持 4 个类。有没有替代方法？

我克隆了迁移学习库repo 并致力于最大分类器差异。我正在尝试更改增强但收到以下错误

之前的代码是

我刚刚添加 T.RandomPerspective(distortion_scale = 0.8, p=0.5, fill=0.6)了 val_transform。在此之前，我还为 train_transform 添加了一些其他转换，但仍然遇到相同的错误。可能是什么问题呢？

我已经生成了许多像下面这样的车牌图像[！[在此处输入图像描述]现在，想要转换所有像图像这样的real world vehicle number plate图像。例如- 如何将这些类型augmentation的所有增强图像保存在另一个文件夹中。