在某个范围内随机生成一些数据_cut out删除造句

全栈程序员站长

发布于 2022-09-27 15:02:08

4400

发布于 2022-09-27 15:02:08

文章被收录于专栏：全栈程序员必看

大家好，又见面了，我是你们的朋友全栈君。

1、Cutout

2、Random Erasing

根据yolov4文献中提到的cutout数据增广方式，进行扩展阅读。Cutout & Random Erasing

1、Cutout

论文地址：https://arxiv.org/pdf/1708.04552.pdf

代码地址：https://github.com/Dingzixiang/cutout/blob/master/cutout.py

出发点：

文章的出发点除了解决遮挡问题外，还有从dropout上得到启发。众所周知，Dropout随机隐藏一些神经元，最后的网络模型相当于多个模型的集成。类似于dropout的思路，这篇文章将drop用在了输入图片上，并且drop掉连续的区域——即矩形区域。以下是一个简易的样例（灰色部分为drop掉的区域）：

方法：

作者首先尝试通过一些可视化技术，发现图片高激活区域，对这些区域进行擦除。但是最后发现这种方法和随机选一个区域遮挡效果差别不大，而且带来了额外的计算量，得不偿失，便舍去。上图为早期的cutout擦除样例图，可以发现这种方法有针对性地擦除重要区域。本文最后采用的擦除方式为：利用固定大小的矩形对图像进行遮挡，在矩形范围内，所有的值都被设置为0，或者其他纯色值。而且擦除矩形区域存在一定概率不完全在原图像中的（文中设置为50%）。

实现代码：

# cutout.py
import numpy as np
import tensorflow as tf

def cutout(img, num_holes=1, length=4):
  """
  Args:
  img (Tensor): Tensor image of size (H, W, C). input is an image
  Returns:
  Tensor: Image with n_holes of dimension length x length cut out of it.
  """

  h = img.shape[0]
  w = img.shape[1]
  c = img.shape[2]
  mask = np.ones([h, w], np.float32)
  for _ in range(num_holes):
    y = np.random.randint(h)
    x = np.random.randint(w)
    y1 = np.clip(max(0, y - length // 2), 0, h)
    y2 = np.clip(max(0, y + length // 2), 0, h)
    x1 = np.clip(max(0, x - length // 2), 0, w)
    x2 = np.clip(max(0, x + length // 2), 0, w)
    mask[y1: y2, x1: x2] = 0
  mask = tf.expand_dims(mask, 2)
  mask_list = []
  for _ in range(c):
    mask_list.append(mask)
  mask = tf.concat(mask_list, axis=2)
  img = img * mask
  return img


input  = tf.get_variable('v1', [1,10,10,3], dtype=tf.float32)
print(input)
with tf.Session() as sess:
  sess.run(tf.global_variables_initializer())
  for i in range(input.get_shape()[0]):
    output = cutout(input[i], num_holes=1, length=4)
    print(output.eval())

效果：

在C10，C10+，C100，C100+，SVHN数据集上的test error rates表现如下（其中C表示CIFAR）。与Random Erasing非常类似，两篇论文发表时间为16NOV2017和29NOV2017，也是因为这个时间点才能同时发表，不然大概率会认为是抄袭。最主要的区别在于在cutout中，擦除矩形区域存在一定概率不完全在原图像中的。而在Random Erasing中，擦除矩形区域一定在原图像内。Cutout变相的实现了任意大小的擦除，以及保留更多重要区域。不过Cutout在更多情况下效果更好。这两种方法在用到自己的任务中，还得进行实验比较，才能得到更好的结果。

2、Random Erasing

论文地址：https://arxiv.org/pdf/1708.04896.pdf

代码地址：https://github.com/zhunzhong07/Random-Erasing

出发点：

为了增强模型泛化能力，常常对原始数据做数据增强处理，常用的方式一般为random cropping，flipping等。但是在现实场景中，遮挡问题一直都是一个难以处理和解决的问题。为了更好的实现对遮挡数据的模拟，利用Random Erasing的方式，将原数据集中一部分保持原样，另外一部分随机擦除一个矩形区域。效果图如下：