开始使用图像预处理,增加深度学习
数据预处理由一系列确定性操作规范化或增强功能所需的数据。例如,您可以规范化数据固定范围或调整数据网络输入层所需的大小。预处理是用于训练、验证和测试数据。
预处理可以发生在两个阶段的深度学习工作流程。
常见的图像预处理操作包括噪声去除,edge-preserving平滑、颜色空间转换、对比度增强和形态。为例,展示了如何创建和应用这些转换,明白了增强图像的深度学习工作流。
数据增加由随机操作应用于训练数据,而网络培训。
增强图像数据可以模拟变化图像采集。常见的图像增强操作是随机几何变换如旋转和翻译,它模拟摄像机方向的变化对现场。随机裁剪模拟场景组成的变化。人工噪声模拟期间推出的扭曲图像采集或上游数据处理操作。增加增加了有效的训练数据量和有助于使网络常见的变化和变形数据不变。
增加训练数据,首先你的数据加载到数据存储中。有关更多信息,请参见数据存储深度学习(深度学习工具箱)。一些内置的数据存储应用特定的和有限的增加为特定的应用程序数据。你也可以运用你自己的增加操作数据存储中的数据使用变换和结合功能。在培训过程中,数据存储训练数据随机扰乱对于每一个时代,这样每个时代使用稍微不同的数据集。
下表列出了一些常见的预处理和增加业务深度学习应用程序应用于图像数据。
| 处理类型 | 描述 | 样品的功能 | 样例输出 |
|---|---|---|---|
| 调整图像 | 调整图像由一个固定比例因子或目标的大小 |
|
|
| 扭曲的图像 | 应用随机反射、旋转、规模、剪切、和翻译图片 |
|
|
| 作物图像 | 作物图像目标大小的中心或一个随机位置 |
|
|
| 模拟噪声 | 添加随机高斯、泊松、盐和胡椒,或者乘法噪声 |
|
|
| 模拟模糊 | 添加高斯或定向运动模糊 |
|
|
| 抖动的颜色 | 随机调整图像的色相、饱和度、亮度或对比度 |
|
|
| 抖动强度 | 随机调整亮度、对比度、伽马校正 |
|
|
相关的例子
更多关于
- 数据存储深度学习(深度学习工具箱)
- 选择数据存储文件格式或应用程序
