计算机视觉应用开发课件：基于mixup和cutmix算法的图像增强_第1页
计算机视觉应用开发课件：基于mixup和cutmix算法的图像增强_第2页
计算机视觉应用开发课件：基于mixup和cutmix算法的图像增强_第3页
计算机视觉应用开发课件：基于mixup和cutmix算法的图像增强_第4页
计算机视觉应用开发课件：基于mixup和cutmix算法的图像增强_第5页
已阅读5页，还剩7页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

基于mixup和cutmix算法的图像增强案例描述01任务案例目标02任务案例分析03任务案例实施04任务1案例描述1案例描述本案例通过对手写数字数据进行数据增强，然后对数字进行分类去对比两种数据增强算法mixup和cutmix的效果。2案例目标案例目标熟悉mixup算法和cutmix算法基础知识和操作流程；

分别利用mixup和cutmix增强算法对图片进行数据增强；对增强后的图片进行图片分类。23案例分析案例分析在上一节中，已经讲解了两种算法mixup和cutmix的原理以及方法步骤。在接下来的案例中，将使用代码分别实现两种算法的手写数据图像增强，利用分类网络进行分类对比两种算法的优劣。34案例实施4案例实施1.加载手写数字数据集(x_train,y_train),(x_test,y_test)=datasets.mnist.load_data()2.建立mixup算法的函数aug_mixup()

输入图片及标签(img_batch,label_batch)index=tf.random.shuffle(tf.range(batch_size,dtype=32))x1,x2=img_batch,tf.gather(img_batch,index)img_batch=x1*x_weight+x2*(1.-x_weight)y1,y2=label_batch,tf.gather(label_batch,index)label_batch=y1*y_weight+y2*(1.-y_weight)4案例实施3.定义cutmix算法的函数cutmix()输入图片及标签(img_batch,label_batch)img_weight=tf.math.logical_and(tf.math.logical_and(tf.reshape(xas,(-1,1,1))<=X,X<=tf.reshape(xbs,(-1,1,1))),tf.math.logical_and(tf.reshape(yas,(-1,1,1))<=Y,Y<=tf.reshape(ybs,(-1,1,1))))img_weight=tf.expand_dims(img_weight,axis=-1)#(BatchSize,img_h,img_w,1)img_batch=tf.where(img_weight,x2,x1)label_weight=tf.cast((ybs-yas)*(xbs-xas)/(img_h*img_w),tf.float32)#(BatchSize)label_weight=tf.expand_dims(label_weight,axis=-1)#(BatchSize,1)

人人文库> 全部分类> 教育资料 > 课件下载

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论