主要内容

RandompatchExtractionDataStore.

用于从图像或像素标签图像中提取随机2-D或3-D随机补丁的数据存储

展开所有页面

描述

一个RandompatchExtractionDataStore.从两个基于图像的数据存储中提取相应的随机定位斑块。例如，输入数据存储可以是两个图像数据存储，其包含用于训练图像到图像回归网络的网络输入和期望的网络响应，或用于训练语义分割网络的地面真理图像和像素标签数据。

该对象要求您拥有深度学习工具箱™。

请注意

当你使用的时候RandompatchExtractionDataStore.作为训练数据的来源，数据存储为每个历元从每张图像中提取多个随机patch，这样每个历元使用的数据集略有不同。每个epoch的实际训练块数为训练图像的个数乘以PatchesPerImage．图像补丁不存储在内存中。

创建

语法

patchds = randomPatchExtractionDatastore (ds1, ds2 PatchSize)
patchds = randomPatchExtractionDatastore (ds1, ds2、PatchSize名称、值)

描述

例子

patchds = randomPatchExtractionDatastore (ds1的，ds2，PatchSize）创建一个数据存储区，提取随机定位的大小补丁PatchSize从数据存储中的输入数据ds1的和数据存储中的响应数据ds2．

patchds = randomPatchExtractionDatastore (ds1的，ds2，PatchSize，名称,值）使用名称-值对来设置PatchesPerImage，DataAugmentation， 和DispatchInBackground属性。可以指定多个名称-值对。将每个属性名用引号括起来。

例如,randomPatchExtractionDatastore (imds1 imds2 50 PatchesPerImage, 40)创建一个数据存储区，该数据存储在图像数据存储中的每个图像中随机生成40个大小50×50像素imds1和imds2．

输入参数

展开全部

输入数据包含对网络的训练输入，指定为ImageDatastore，PixelLabelDatastore(计算机视觉工具箱)， 或者变换adatastore.．

指定A.PixelLabelDatastore需要计算机视觉工具箱™。

请注意

ImageDatastore允许使用预取批量读取JPG或PNG图像文件。如果使用自定义函数读取图像，则不会发生预取。

表示所需网络响应的响应数据，指定为ImageDatastore，PixelLabelDatastore(计算机视觉工具箱)， 或者变换adatastore.．如果你指定变换adatastore.，则底层数据存储必须是ImageDatastore或者一个PixelLabelDatastore．

指定A.PixelLabelDatastore需要计算机视觉工具箱。

请注意

ImageDatastore允许使用预取批量读取JPG或PNG图像文件。如果使用自定义函数读取图像，则不会发生预取。

特性

展开全部

此属性是只读的。

补丁大小，指定为如下之一。

  • 用于2-D斑块的正整数的2元素矢量。PatchSize有表单[rc),r指定行数和c指定补丁中的列数。

  • 3-D补丁的正整数的3元向量。PatchSize有表单[rcp),r指定行数，c指定列的数目，并且p指定补丁中平面的个数。

每个图像的随机补丁数，指定为正整数。

预处理应用于输入图像，指定为一个imageDataAugmenter（深度学习工具箱）对象或“没有”．当DataAugmentation是“没有”，没有将预处理应用于输入图像。

使用随机转换(如调整大小、旋转和反射)来增加数据，以帮助防止网络过拟合和记忆训练数据的确切细节。的RandompatchExtractionDataStore.对每对中的两个patch应用相同的随机变换。数据存储在训练时实时增加数据。

的DataAugmentation属性对于3-D数据不受支持。金宝app要对三维数据进行预处理，请使用转变函数。

在训练、预测或分类期间在背景中分派观测数据，指定为假或者真的．要使用后台调度，必须具有并行计算工具箱™。

在每批中返回的观察数。的值可以更改MiniBatchSize只有在创建数据存储后才可以。用于训练、预测和分类MiniBatchSize属性设置为迷你批处理尺寸培训选项（深度学习工具箱）．

此属性是只读的。

的观测总数RandompatchExtractionDataStore.．观察人数是一个训练时代的长度。

对象的功能

结合 合并来自多个数据存储的数据
hasdata 确定是否可以读取数据
numpartitions. 数据存储分区数
划分 分区数据存储
partitionByIndex 划分RandompatchExtractionDataStore.根据指数
预览 预览数据存储中的数据子集
读 读取数据RandompatchExtractionDataStore.
readall 阅读数据存储中的所有数据
readbyex. 读取由index指定的数据RandompatchExtractionDataStore.
重置 将数据存储重置为初始状态
洗牌 在数据存储中洗牌数据
转变 变换数据存储
是artitionable. 确定数据存储是否可分区
isShuffleable 确定数据存储是否可洗牌

例子

全部折叠

这个示例使用:

打开直播脚本

创建包含训练图像的图像数据存储。此示例中的数据存储包含JPEG彩色图像。

imageDir = fullfile (toolboxdir (“图片”），“imdata”）;imds1 = imageDatastore (imageDir,“FileExtensions”，“jpg”）;

创建第二个数据存储来转换图像imds1通过应用高斯模糊。

imds2 =变换(imds1 @ (x) imgaussfilt (x, 2));

创建一个imageDataAugmenter通过范围[0,90]度的随机角度旋转图像，并且随机地水平反射图像数据。

upmenter = imagedataAugmenter（'randroatation'90年[0],“RandXReflection”，真的）
增强器= imageDataAugmenter with properties: 0 RandXReflection: 1 RandYReflection: 0 RandRotation: [0 90] RandScale: [1 1] RandXScale: [1 1] RandYScale: [1 1] RandXShear: [0 0] RandYShear: [0 0] RandXTranslation: [0 0] RandYTranslation: [0 0]

创建一个RandompatchExtractionDataStore.从未处理的训练图像和相应的平滑响应图像中提取大小100-100的随机斑块的对象。通过设置来指定增强选项DataAugmentation财产。

PATCHDS = RANDOMPHATCHENEXTRACTNDATASTORE（IMDS1，IMDS2，[100 100]，......“DataAugmentation”增量)
patchds = randompatchextracactiondatastore with properties: patchperimage: 128 PatchSize: [100 100] DataAugmentation: [1×1 imageDataAugmenter] MiniBatchSize: 128 NumObservations: [] DispatchInBackground: 0

预览一组增强图像补丁和相应的平滑图像补丁。

minibatch =预览(patchds);输入= minibatch.InputImage;反应= minibatch.ResponseImage;测试=猫(2输入反应);蒙太奇(测试”,'尺寸', 2[8])标题('输入（左）和响应（右）'）

这个示例使用:

打开直播脚本

创建包含训练图像的图像数据存储。

dataDir = fullfile (toolboxdir (“愿景”），'VisionData'，“triangleImages”）;imageDir = fullfile (dataDir,“trainingImages”）;imd = imageDatastore (imageDir);

定义类名及其关联的标签id。然后，为训练图像创建包含ground truth像素标签的像素标签数据存储。

ClassNames = [“三角形”，“背景”];标签id = [255 0];labelDir = fullfile (dataDir,'培训标签'）;一会,pxds = pixelLabelDatastore (labelDir labelIDs);

创建一个随机补丁提取数据存储，以从图像和相应的像素标签中提取大小32乘32像素的随机斑块。设置可选PatchesPerImage属性，从每个图像和像素标签对中提取512个随机patch。

PATCHDS = RANDOMPHATCHEXTRACTNDATASTORE（IMDS，PXDS，32，......“PatchesPerImage”，512）;

创建一个用于语义分割的网络。

图层= [imageInputlayer（[32 32 1]）卷积2dlayer（3,64，'填充'(1) reluLayer) maxPooling2dLayer (2,“步”，2）卷积2dlayer（3,64，'填充'，1）Rubulayer（）TransposedConv2dlayer（4,64，“步”2,“种植”，1)卷积2dlayer (1,2) softmaxLayer() pixelClassificationLayer()]
图层= 10x1层阵列，带有层数：1''图像输入32x32x1图像与'zerocenter'归一化2'''卷积64 3x3卷积与步幅[1 1]和padding [1 1 1 1] 3''Relu Relu 4''Max汇集2x2 max汇集步进[2 2]和填充[0 0 0 0] 5''卷积64 3x3卷曲与步幅[1 1]和填充[1 1 1 1] 6''Relu Relu 7''转置卷积644x4转置卷绕升级[2 2]和输出裁剪[1 1] 8''卷积2 1x1卷曲与步幅[1 1]和填充[0 0 0 0] 9''softmax softmax 10''像素分类层交叉 -熵损失

设置培训选项。减少培训时间，设置MaxEpochs5。

选项=培训选项（“个”，......“InitialLearnRate”，1e-3，......'maxepochs'5,......“详细”，错误的）;

培训网络。

net = trainnetwork（patchds，图层，选项）;

提示

  • 的RandompatchExtractionDataStore.的输出读输入数据存储上的操作返回相同大小的阵列。

  • 如果输入数据存储为ImageDatastore，然后是its中的值标签属性忽略RandompatchExtractionDataStore.．

  • 将二维数据可视化RandompatchExtractionDataStore.，你可以使用预览函数，返回表中的数据子集。通过使用通过使用相同图形的所有补丁可视化蒙太奇函数。例如，此代码显示来自a的图像修补程序的预览RandompatchExtractionDataStore.被称为包皮．

    minibatch =预览(patchds);蒙太奇(minibatch.InputImage)

另请参阅

（深度学习工具箱）|(计算机视觉工具箱)||(计算机视觉工具箱)|（深度学习工具箱）|（深度学习工具箱）|

主题

介绍了R2018b

图像处理工具箱文档

金宝app

介绍基于MATLAB的深度学习

介绍基于MATLAB的深度学习

下载电子书