Сбалансируйте пиксельные метки путем сверхдискретизации местоположений блока в больших изображениях
blockLocations = balancePixelLabels(bigLabeledImages,levels,blockSize,numObservations)blockLocations, в больших помеченных изображениях, bigLabeledImages, тот результат в классе сбалансировал набор данных. blockLocations возвращенный основан на количестве уровней разрешения блоков, levels, с заданным размером блока, blockSize.
balancePixelLabels функционируйте балансирует большой набор данных изображений путем сверхдискретизации областей изображений, которые содержат менее - общие метки. Сбалансированный набор данных может привести к лучшим результатам, когда используется для учебных рабочих процессов, таких как семантическая сегментация в глубоком обучении.
blockLocations = (___,'UseParallel',logical)
Этот синтаксис требует Parallel Computing Toolbox™.
Загрузите помеченный набор данных изображений.
dataDir = fullfile(toolboxdir('vision'),'visiondata'); imDir = fullfile(dataDir,'building'); labelDir = fullfile(dataDir,'buildingPixelLabels'); imageFileList = dir(imDir); labelFileList = dir(labelDir); imageFileList = imageFileList(3:end); labelFileList = labelFileList(3:end); pixelLabelID = [1 2 3 4]; classNames = ["sky" "grass" "building" "sidewalk"];
Считайте пиксельные случаи метки в помеченных изображениях.
for idx = 1:numel(labelFileList) bigImages(idx) = bigimage(imread([imDir filesep imageFileList(idx).name])); bigLabeledImages(idx) = bigimage(imread([labelDir filesep labelFileList(idx).name]),'Classes',classNames,'PixelLabelIDs',pixelLabelID); end
Установите уровень разрешения и размер блока изображений.
bigimageLevel = 1; blockSize = [20 15];
Создайте bigimageDatastore от набора данных изображений.
blabelds = bigimageDatastore(bigLabeledImages,bigimageLevel,'BlockSize',blockSize);Исследуйте пиксельные случаи метки каждого класса. Классы в пиксельных изображениях метки не сбалансированы.
labelCounts = countEachLabel(blabelds);
Задайте количество местоположений блока.
numObservations = 2000;
Выберите местоположения блока из помеченных изображений, чтобы достигнуть балансировки класса.
locationSet = balancePixelLabels(bigLabeledImages,bigimageLevel,blockSize,numObservations);
Создайте bigimageDatastore использование местоположений блока.
bimdsBalanced = bigimageDatastore(bigLabeledImages,'BlockLocationSet',locationSet);Повторно вычислите пиксельные случаи метки каждого класса.
labelCountsBalanced = countEachLabel(bimdsBalanced);
Сравните исходные несбалансированные метки и недавно сбалансированные метки.
figure; h1 = histogram('Categories',labelCounts.Name,'BinCounts',labelCounts.PixelCount); title(h1.Parent,'Original Dataset Labels');
figure; h2 = histogram('Categories',labelCountsBalanced.Name,'BinCounts',labelCountsBalanced.PixelCount); title(h2.Parent,'Sampled Block Set Labels');
Сбалансировать пиксельные метки, функцию по выборкам классы меньшинства во входных изображениях. Класс меньшинства определяется путем вычисления полной пиксельной метки, значит полный набор данных. Алгоритм выполняет эти шаги.
Изображения во входной матрице изображений разделены на макро-блоки, который является кратным blockSize входное значение.
Функция считает пиксельные метки для всех классов в каждом макро-блоке. Затем это выбирает макро-блок с самыми большими случаями классов меньшинства с помощью, взвесил случайный выбор.
Алгоритм использует случайное местоположение блока в выбранном макро-блоке, чтобы выполнить сверхдискретизацию. Источник местоположения блока должен всегда быть полностью в рамках макро-блока.
Функция обновляет полные количества метки на основе пиксельных количеств метки классов, найденных для выбранного макро-блока.
Функция включает новые (сверхдискретизированные) классы, чтобы вычислить новый класс меньшинства.
Этот процесс повторения до количества обработанных местоположений блока равняется значению, заданному numObservations входное значение.