Question

我在一些图像数据上使用完整的卷积网络，使用Keras进行语义分割。但是，我有一些问题过度拟合。我没有那么多数据，我想做数据增加。但是，由于我想进行像素分类，我需要任何增强功能，如翻转，旋转和移位，以应用于特征图像和标签图像。理想情况下，我想使用Keras ImageDataGenerator进行即时转换。但是，据我所知，您无法对要素和标签数据进行等效转换。

有谁知道是否是这种情况，如果没有，有没有人有任何想法？否则，我将使用其他工具创建一个更大的数据集，并立即将其全部输入。

谢谢！

Answer 1

有关扩展ImageDataGenerator的工作对于这些类型的案例更加灵活（请参阅this issue on Github中的示例）。

此外，正如Mikael Rousson在评论中所提到的，您可以自己轻松创建自己的ImageDataGenerator版本，同时利用其许多内置函数使其更容易。以下是我用于图像去噪问题的示例代码，其中我使用随机裁剪+加性噪声来动态生成干净且嘈杂的图像对。您可以轻松修改此选项以添加其他类型的扩充。之后，您可以使用Model.fit_generator来训练使用这些方法。

from keras.preprocessing.image import load_img, img_to_array, list_pictures

def random_crop(image, crop_size):
    height, width = image.shape[1:]
    dy, dx = crop_size
    if width < dx or height < dy:
        return None
    x = np.random.randint(0, width - dx + 1)
    y = np.random.randint(0, height - dy + 1)
    return image[:, y:(y+dy), x:(x+dx)]

def image_generator(list_of_files, crop_size, to_grayscale=True, scale=1, shift=0):
    while True:
        filename = np.random.choice(list_of_files)
        try:
            img = img_to_array(load_img(filename, to_grayscale))
        except:
            return
        cropped_img = random_crop(img, crop_size)
        if cropped_img is None:
            continue
        yield scale * cropped_img - shift
def corrupted_training_pair(images, sigma):
    for img in images:
        target = img
        if sigma > 0:
            source = img + np.random.normal(0, sigma, img.shape)/255.0
        else:
            source = img
        yield (source, target)
def group_by_batch(dataset, batch_size):
    while True:
        try:
            sources, targets = zip(*[next(dataset) for i in xrange(batch_size)])
            batch = (np.stack(sources), np.stack(targets))
            yield batch
        except:
            return
def load_dataset(directory, crop_size, sigma, batch_size):
    files = list_pictures(directory)
    generator = image_generator(files, crop_size, scale=1/255.0, shift=0.5)
    generator = corrupted_training_pair(generator, sigma)
    generator = group_by_batch(generator, batch_size)
    return generator

然后您可以使用以上内容：

train_set = load_dataset('images/train', (patch_height, patch_width), noise_sigma, batch_size)
val_set = load_dataset('images/val', (patch_height, patch_width), noise_sigma, batch_size)
model.fit_generator(train_set, samples_per_epoch=batch_size * 1000, nb_epoch=nb_epoch, validation_data=val_set, nb_val_samples=1000)

Answer 2

是的，你可以。这是Keras的文档中的一个例子。你将两个用相同种子播种的发生器和fit_generator压缩在一起。 https://keras.io/preprocessing/image/

# we create two instances with the same arguments 
data_gen_args = dict(featurewise_center=True,
                     featurewise_std_normalization=True,
                     rotation_range=90.,
                     width_shift_range=0.1,
                     height_shift_range=0.1,
                     zoom_range=0.2) 
image_datagen = ImageDataGenerator(**data_gen_args) 
mask_datagen = ImageDataGenerator(**data_gen_args)

# Provide the same seed and keyword arguments to the fit and flow methods seed = 1 
image_datagen.fit(images, augment=True, seed=seed) 
mask_datagen.fit(masks, augment=True, seed=seed)

image_generator = image_datagen.flow_from_directory(
    'data/images',
    class_mode=None,
    seed=seed)

mask_generator = mask_datagen.flow_from_directory(
    'data/masks',
    class_mode=None,
    seed=seed)

# combine generators into one which yields image and masks 
train_generator = zip(image_generator, mask_generator)

model.fit_generator(
    train_generator,
    samples_per_epoch=2000,
    nb_epoch=50)

数据增强图像数据生成器Keras语义分割

2 个答案: