計算機視覺應用開發(fā)課件：基于mixup和cutmix算法的圖像增強

基于mixup和cutmix算法的圖像增強案例描述01任務案例目標02任務案例分析03任務案例實施04任務1案例描述1案例描述本案例通過對手寫數(shù)字數(shù)據(jù)進行數(shù)據(jù)增強，然后對數(shù)字進行分類去對比兩種數(shù)據(jù)增強算法mixup和cutmix的效果。2案例目標案例目標熟悉mixup算法和cutmix算法基礎知識和操作流程；

分別利用mixup和cutmix增強算法對圖片進行數(shù)據(jù)增強；對增強后的圖片進行圖片分類。23案例分析案例分析在上一節(jié)中，已經(jīng)講解了兩種算法mixup和cutmix的原理以及方法步驟。在接下來的案例中，將使用代碼分別實現(xiàn)兩種算法的手寫數(shù)據(jù)圖像增強，利用分類網(wǎng)絡進行分類對比兩種算法的優(yōu)劣。34案例實施4案例實施1.加載手寫數(shù)字數(shù)據(jù)集(x_train,y_train),(x_test,y_test)=datasets.mnist.load_data()2.建立mixup算法的函數(shù)aug_mixup()

輸入圖片及標簽(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案例實施3.定義cutmix算法的函數(shù)cutmix()輸入圖片及標簽(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)