色哟哟视频在线观看-色哟哟视频在线-色哟哟欧美15最新在线-色哟哟免费在线观看-国产l精品国产亚洲区在线观看-国产l精品国产亚洲区久久

0
  • 聊天消息
  • 系統消息
  • 評論與回復
登錄后你可以
  • 下載海量資料
  • 學習在線課程
  • 觀看技術視頻
  • 寫文章/發帖/加入社區
會員中心
創作中心

完善資料讓更多小伙伴認識你,還能領取20積分哦,立即完善>

3天內不再提示

眾多常見的有效圖像預處理方法

新機器視覺 ? 來源:機器之心 ? 作者:機器之心 ? 2021-05-03 18:26 ? 次閱讀

一個經歷了 39 場 Kaggle 比賽的團隊在 reddit 上發帖表示,他們整理了一份結構化的圖像分割技巧列表,涵蓋數據增強、建模、損失函數、訓練技巧等多個方面,不失為一份可以參考的圖像分割技巧資料

圖像分割是圖像處理和計算機視覺的熱點之一,是根據圖像內容對指定區域進行標記的計算機視覺任務。它基于某些標準將輸入圖像劃分為多個相同的類別,簡言之就是「這張圖片里有什么,其在圖片中的位置是什么?」以便提取人們感興趣的區域。圖像分割是圖像分析和圖像特征提取及識別的基礎。

圖像分割也是 Kaggle 中的一類常見賽題,比如衛星圖像分割與識別、氣胸疾病圖像分割等。除了密切的團隊配合、給力的 GPU 配置等條件,技巧在這類比賽中也發揮了很大的作用。但這些技巧去哪里找呢?Medium、大牛博客、參賽經驗帖中都散落著各種技巧分享,但這些資源往往比較零散,于是就有人想到,為什么不把它們集中到一起呢? Derrick Mwiti 就帶頭做了這么一件事,他和他所在的團隊將過去 39 場 Kaggle 比賽中討論過的圖像分割技巧、資料都匯總到了一起,希望可以幫到在圖像分割任務中遇到困難的同學。 這份列表分為十大板塊,包括外部數據、預處理、數據增強、建模、硬件配置、損失函數、訓練技巧、評估和交叉驗證、集成方法以及后處理。

每個版塊的具體內容以條目的形式呈現,每個條目又都嵌入了一些鏈接,點開可以看到一些優秀的 Kaggle 解決方案分享、Medium 博客教程、高贊的 GitHub 項目等,讀者可以根據自己的具體問題和需要進行查找。 本文選取了其中一部分內容進行介紹,具體細節及鏈接請參見原文。 接下來,我們來看每個步驟都有哪些技巧吧。 預處理 這一部分包含眾多常見的有效圖像預處理方法,例如:

使用高斯差分方法進行斑點檢測

使用基于圖像塊的輸入進行訓練,以減少訓練時間;

加載數據時,用 cudf 替換 Pandas;

確保所有圖像保持相同的方向;

使用 OpenCV 對所有常規圖像進行預處理;

采用自主學習并手動添加注釋;

將所有圖像調整成相同的分辨率,以便將相同的模型用于不同厚度的掃描等。

數據增強 數據增強能夠使網絡具有更復雜的表征能力,從而減小網絡性能在驗證集和訓練集以及最終測試集上的差距,讓網絡更好地學習遷移數據集上的數據分布。這部分介紹了一些常用的數據增強方法:

用 albumentations 包進行數據增強;

使用 90 度隨機旋轉;

使用水平、垂直翻轉或這兩個方向都做翻轉;

嘗試進行復雜的幾何變換,包括彈性變換、透視變換、分段仿射變換、枕形失真;

應用隨機 HSV;

使用損失較小的增強數據進行泛化,以防止有用圖像信息丟失;

應用通道 shuffle;

根據類別頻率進行數據擴充;

應用高斯噪聲等。

建模網絡架構 這一部分介紹了一些可用在圖像分割上的常用網絡框架,例如:

使用基于 U-net 的架構;

用 inception-ResNet v2 架構得到具備不同感受野的訓練特征;

經過對抗訓練的 Siamese 網絡;

以密集(FC)層作為最后一層的 ResNet50、Xception、Inception ResNet v2 x 5;

使用全局最大池化層,無論輸入尺寸如何,該層都將返回固定長度的輸出;

使用堆疊的膨脹卷積;

VoxelNet;

用 concat 和 conv1x1 替換 LinkNet 跳躍連接中的加號;

廣義平均池化;

用 3D 卷積網絡在圖像上滑動;

使用在 Imagenet 數據集上預訓練的 ResNet152 作為特征提取器等。

以及下列經典網絡框架:

23f94f26-9cde-11eb-8b86-12bb97331649.png

損失函數 損失函數常用來估計模型預測結果與真值之間的差距。選擇合適的損失函數,對模型效果很重要。 這部分介紹了一系列損失函數和使用場景,例如:

dice 系數:能夠很好地處理不平衡數據;

加權邊界損失:減少預測分割與真值之間的距離;

MultiLabelSoftMarginLoss:基于最大熵優化多標簽一對多損失的標準;

具備 logit 損失的平衡交叉熵(Balanced cross entropy,BCE):以特定系數權衡正例和負例;

……

此外,作者還介紹了 Arc margin 損失、BCE 和 dice 系數的組合等等,更多詳情參見原文。

訓練技巧 這部分介紹了常用的模型訓練技巧,如:

嘗試不同的學習率;

嘗試不同批大小;

使用帶有動量項的 SDG,并且手動設置學習率衰減;

數據增強過多會降低準確率;

使用裁剪后的圖像訓練,并在完整的圖像上做預測;

在學習速率調整上使用 Keras 中的 ReduceLROnPlateau() 方法;

凍結除了最后一層以外所有的網絡層,并使用 Stage1 中的 1000 張圖片進行模型微調;

開發一個能使標簽更加均勻的采樣器;

使用類別感知采樣(class aware sampling)等。

評估和交叉驗證 這部分介紹了 k 折交叉驗證、對抗驗證和權衡等方法,以及在調整模型最后一層時使用交叉驗證方法以有效避免過擬合。

集成方法 許多機器學習競賽(包括 Kaggle)中最優秀的解決方案所采用的集成方法都建立在一個這樣的假設上:將多個模型組合在一起通常可以產生更強大的模型。 這部分介紹了多種集成方法,如多數投票法、XGBoost、LightGBM、CatBoost 等方法,以及集成 ResNet50、InceptionV3 和 InceptionResNetV2 的方法。

后處理 這部分介紹了多種后處理方法:

測試時增強(Test Time Augmentation,TTA):向模型多次展示經過不同隨機變換的圖像,取預測平均值;

均衡使用測試預測概率,而不是僅使用預測類;

將幾何平均數應用于預測;

在推理過程中將圖塊重疊,使每個邊緣像素至少覆蓋 3 次,因為 UNET 在邊緣區域范圍的預測往往較差;

非極大抑制和邊界框收縮;

分水嶺后處理:在實例分割問題中分離對象。

最后需要注意的是,這份列表給出的某些技巧可能有一定的適用范圍,具體能不能用還要視數據而定。

原文標題:圖像分割的實用技巧

文章出處:【微信公眾號:新機器視覺】歡迎添加關注!文章轉載請注明出處。

責任編輯:haq

聲明:本文內容及配圖由入駐作者撰寫或者入駐合作網站授權轉載。文章觀點僅代表作者本人,不代表電子發燒友網立場。文章及其配圖僅供工程師學習之用,如有內容侵權或者其他違規問題,請聯系本站處理。 舉報投訴
  • 圖像處理
    +關注

    關注

    27

    文章

    1289

    瀏覽量

    56724
  • 機器視覺
    +關注

    關注

    161

    文章

    4369

    瀏覽量

    120284

原文標題:圖像分割的實用技巧

文章出處:【微信號:vision263com,微信公眾號:新機器視覺】歡迎添加關注!文章轉載請注明出處。

收藏 人收藏

    評論

    相關推薦

    Minitab 數據清理與預處理技巧

    Minitab是一款功能強大的統計分析和質量管理軟件,在數據分析過程中,數據清理與預處理是至關重要的環節。以下是一些在Minitab中進行數據清理與預處理的技巧: 一、數據導入與格式調整 導入數據
    的頭像 發表于 12-02 16:06 ?307次閱讀

    FPGA在圖像處理領域的優勢有哪些?

    單元和可編程互聯線,可以實現高度并行的數據處理。在圖像處理任務中,如圖像預處理、特征提取和圖像
    發表于 10-09 14:36

    C55x CSL音頻預處理

    電子發燒友網站提供《C55x CSL音頻預處理.pdf》資料免費下載
    發表于 09-19 11:30 ?0次下載
    C55x CSL音頻<b class='flag-5'>預處理</b>

    雷達液位計常見故障及處理方法

    雷達液位計作為一種高精度的液位檢測設備,在實際應用中可能會遇到多種故障。以下是一些常見的故障及其處理方法: 一、常見故障 數據不準確 原因 :參數設置錯誤、設備老化、環境因素干擾(如泡
    的頭像 發表于 09-07 11:22 ?1160次閱讀

    圖像識別技術包括自然語言處理

    計算機視覺技術對圖像進行處理、分析和理解,從而實現對圖像中的目標、場景、行為等信息的識別和理解。圖像識別技術包括圖像
    的頭像 發表于 07-16 10:54 ?734次閱讀

    圖像識別技術的原理是什么

    圖像識別技術是一種利用計算機視覺和機器學習技術對圖像進行分析和理解的技術。它可以幫助計算機識別和理解圖像中的對象、場景和活動。 圖像預處理
    的頭像 發表于 07-16 10:46 ?914次閱讀

    機器學習中的數據預處理與特征工程

    在機器學習的整個流程中,數據預處理與特征工程是兩個至關重要的步驟。它們直接決定了模型的輸入質量,進而影響模型的訓練效果和泛化能力。本文將從數據預處理和特征工程的基本概念出發,詳細探討這兩個步驟的具體內容、方法及其在機器學習中的應
    的頭像 發表于 07-09 15:57 ?395次閱讀

    機器人視覺技術中常見圖像分割方法

    、場景理解、導航和交互等任務至關重要。以下是一些常見圖像分割方法: 閾值分割法(Thresholding) 閾值分割法是一種基于像素強度的簡單圖像分割
    的頭像 發表于 07-09 09:31 ?659次閱讀

    FPGA設計經驗之圖像處理

    的濾波、取邊緣、膨脹腐蝕等算法。可能大家會覺得這些運算似乎都是最基本的圖像處理運算,只是個前端的預處理,似乎用處不大。但問題是只有FPGA做這樣的運算才是速度最快效率最高的,比如用CPU做一個取邊緣
    發表于 06-12 16:26

    電機調速器常見故障及處理方法有哪些

    電機調速器是一種用于控制電機轉速的設備,廣泛應用于工業和民用領域。電機調速器的故障可能會導致電機性能下降、設備損壞甚至安全事故。因此,了解電機調速器的常見故障及其處理方法對于保障設備正常運行和延長
    的頭像 發表于 06-05 10:59 ?3860次閱讀

    信號的預處理包括哪些環節

    的各個環節,包括信號的采集、預濾波、采樣、量化、編碼、去噪、特征提取等。 信號采集 信號采集是信號預處理的第一步,它涉及到從實際物理現象中獲取信號的過程。信號采集的方法取決于信號的類型和來源,例如聲音、圖像、溫
    的頭像 發表于 06-03 10:35 ?2937次閱讀

    常見的醫學圖像讀取方式和預處理方法

    基于深度學習做醫學圖像數據分析,例如病灶檢測、腫瘤或者器官分割等任務,第一步就是要對數據有一個大概的認識。但是我剛剛入門醫學圖像分割的時候,很迷茫不知道自己該干啥,不知道需要準備哪些知識,慢慢到現在才建立了一個簡陋的知識體系。
    發表于 04-19 11:43 ?832次閱讀
    <b class='flag-5'>常見</b>的醫學<b class='flag-5'>圖像</b>讀取方式和<b class='flag-5'>預處理</b><b class='flag-5'>方法</b>

    C語言中的預處理

    所有的預處理器命令都是以井號(#)開頭。它必須是第一個非空字符,為了增強可讀性,預處理器指令應從第一列開始。
    發表于 03-01 12:16 ?899次閱讀
    C語言中的<b class='flag-5'>預處理</b>器

    數據預處理和特征工程的常用功能

    機器學習最基礎的5個流程,分別是數據獲取,數據預處理,特征工程,建模、測試和預測,上線與部署。
    的頭像 發表于 01-25 11:26 ?747次閱讀

    基于圖像處理技術的螺紋幾何參數測量系統設計

    摘要:針對螺紋幾何參數測量過程中,傳統人工測量效率低、儀器昂貴、耗時費力、偶伴有人為誤差等不足。本研究采用非接觸測量的方法, 利用計算機視覺的圖像處理技術,通過系統標定、圖像采集、
    的頭像 發表于 01-15 11:13 ?863次閱讀
    基于<b class='flag-5'>圖像</b><b class='flag-5'>處理</b>技術的螺紋幾何參數測量系統設計
    主站蜘蛛池模板: 成人永久免费视频| 国产做国产爱免费视频| 国内高清在线观看视频| 久久青青草原精品国产软件| 欧美一区二区三区男同| 小柔的性放荡羞辱日记| 正在播放久久| 国产成人高清精品免费5388密| 解开美女胸衣2破解版| 欧美日韩久久久精品A片 | 欧美日韩视频高清一区| 我的年轻漂亮继坶三级| 中国老太太xxx| 国产成人免费观看| 美女的隐私蜜桃传媒免费看| 天天操夜夜噜| 9420高清免费观看在线大全| 国产精品成人自拍| 免费精品国产人妻国语麻豆| 我的家庭女教师| 99视频在线观看免费| 韩国电影real在线观看完整版| 欧美日韩看看2015永久免费| 亚洲午夜无码久久久久蜜臀av| 成人国产三级在线播放| 久久精品无码成人国产毛| 睡觉被偷偷进入magnet| 97精品少妇偷拍蜜桃AV| 国产在线综合色视频| 日韩久久影院| 最近中文字幕MV高清在线视频| 国产欧美一本道无码| 青草国产超碰人人添人人碱| 一本道色播| 国产欧美国日产在线播放| 祺鑫WRITEAS流出来了| 又黄又湿免费高清视频| 国产乱辈通伦影片在线播放亚洲| 女人高潮久久久叫人喷水| 一区一区三区产品| 国产欧美一区二区三区视频|