Question

在MATLAB中，trimws对象的方法splitEachLabel将图像数据存储分成每个类别标签的比例。如何使用交叉验证和使用imageDatastore类来拆分图像数据存储以进行培训？

即。很容易将其拆分为N个分区，但是需要某种trainImageCategoryCalssifier功能才能使用交叉验证来训练分类器。

还是有另一种方法可以达到这个目的吗？

此致埃琳娜

Answer 1

我最近偶然发现了同样的问题。不确定是否有人仍在寻找可能的解决方案。

我最终创建了一个函数，将多个imds组合成一个（类似于_mergeEachLabel_建议）。

根据MATLAB documentation，imageDatastore是一个包含4个字段的结构

包含图像路径的单元格数组
带有每个图像标签的单元格数组
一个整数，指定读者每次调用时要读取的图像数量
读取图像数据的功能

因此，此函数只创建一个新的IMDS，将N个不同imds的第一个和第二个字段连接到这个新的IMDS中。

然后您可以使用此功能运行交叉验证。如果你有5个折叠（5个不同的imds）你可以运行一个调用trainImageCategoryClassifier的循环，它将4个折叠组合成一个训练集，并在剩下的imds上运行evaluate。

一个警告：使用后我意识到以这种方式工作是非常低效的，因为你会在每次CV循环迭代时将图像重新编码到你的特征包中。将整个IMDS编码一次到X矩阵然后直接使用fitsvm会更有效，它们内置了CV功能。

无论如何，如果有人仍然对这个问题感兴趣，这是我的功能：

function [newimds] = combineimds(cell_imds)
% COMBINEIMDS  Merges a set of IMDS together and returns the combined IMDS
%     CELL_IMDS is a 1xn cell array where each cell is a different IMDS object
%%
n = size(cell_imds, 2);      % assumes that cell_imds is 1xn

%%
% use function splitEachLabel to copy first fold to new imds
[newimds dummy] = splitEachLabel(cell_imds{1}, 1);
a = [newimds.Files; dummy.Files];
b = [newimds.Labels; dummy.Labels];
newimds.Files = a;
newimds.Labels = b;
%%
% concatenate cells in the new imds
for i = 2:n
  a = [newimds.Files; cell_imds{i}.Files];
  b = [newimds.Labels; cell_imds{i}.Labels];
  newimds.Files = a;
  newimds.Labels = b;
end

end

希望它有所帮助。

Answer 2

以下代码应该适用于基本的交叉验证，当然您需要适当地更改 k 的值和数据存储区选项。

k = 5; % number of folds
datastore = imageDatastore(fullfile('.'), 'IncludeSubfolders', true, 'LabelSource', 'foldernames');

partStores{k} = [];
for i = 1:k
   temp = partition(datastore, k, i);
   partStores{i} = temp.Files;
end

% this will give us some randomization
% though it is still advisable to randomize the data before hand
idx = crossvalind('Kfold', k, k);

for i = 1:k
    test_idx = (idx == i);
    train_idx = ~test_idx;

    test_Store = imageDatastore(partStores{test_idx}, 'IncludeSubfolders', true, 'LabelSource', 'foldernames');
    train_Store = imageDatastore(cat(1, partStores{train_idx}), 'IncludeSubfolders', true, 'LabelSource', 'foldernames');

    % do your training and predictions here, maybe pre-allocate them before the loop, too
    %net{i} = trainNetwork(train_Store, layers options);
    %pred{i} = classify(net, test_Store);
end

如何在MATLAB中拆分图像数据存储区以进行交叉验证？

2 个答案: