Сбалансируйте метки ограничительной рамки для обнаружения объектов
locationSet = balanceBoxLabels(boxLabels,blockedImages,blockSize,numObservations)boxLabels, путем сверхдискретизации блоков изображений, содержащих менее частые классы, содержавшиеся в наборе блокированных объектов изображения blockedImages. numObservations необходимое количество местоположений блока и blockSize задает размер блока.
locationSet = balanceBoxLabels(boxLabels,blockedImages,blockSize,numObservations,Name,Value)
Загрузите данные о метках поля, которые содержат поля и метки для одного изображения. Высота и ширина каждого поля [20,20].
d = load('balanceBoxLabelsData.mat');
boxLabels = d.BoxLabels;Создайте блокированное изображение размера [500,500].
blockedImages = blockedImage(zeros([500,500]));
Выберите размер изображений каждого наблюдения.
blockSize = [50,50];
Визуализируйте использование гистограммы, чтобы идентифицировать любую неустойчивость класса в метках поля.
blds = boxLabelDatastore(boxLabels); datasetCount = countEachLabel(blds); figure; h1 = histogram('Categories',datasetCount.Label,'BinCounts',datasetCount.Count)
h1 =
Histogram with properties:
Data: [0x0 categorical]
Values: [1 1 1 1 1 1 1 1 1 1 1 11]
NumDisplayBins: 12
Categories: {1x12 cell}
DisplayOrder: 'manual'
Normalization: 'count'
DisplayStyle: 'bar'
FaceColor: 'auto'
EdgeColor: [0 0 0]
Show all properties
Измерьте распределение меток поля. Если coefficent изменения - больше чем 1, то существует неустойчивость класса.
cvBefore = std(datasetCount.Count)/mean(datasetCount.Count)
cvBefore = 1.5746
Выберите эвристическое значение для количества наблюдений путем нахождения среднего значения количеств каждого класса, умноженного на количество классов.
numClasses = height(datasetCount); numObservations = mean(datasetCount.Count) * numClasses;
Управляйте суммой, поле может быть сокращено с помощью OverlapThreshold. Используя более низкое пороговое значение сократит объекты больше на границе блока. Увеличьте это значение, чтобы уменьшать сумму, объект может быть отсечен на границе, за счет менее сбалансированных меток поля.
ThresholdValue = 0.5;
Сбалансируйте boxLabels использование balanceBoxLabels функция.
locationSet = balanceBoxLabels(boxLabels,blockedImages,blockSize,... numObservations,'OverlapThreshold',ThresholdValue);
Balancing box labels for 1 images with [==================================================] 100% [==================================================] 100% Balancing box labels complete.
Считайте метки, которые содержатся в блоках изображений.
bldsBalanced = boxLabelDatastore(boxLabels,locationSet); balancedDatasetCount = countEachLabel(bldsBalanced);
Наложите другую гистограмму против исходного количества метки, чтобы видеть, сбалансированы ли метки поля. Если метки, кажется, не сбалансированы путем рассмотрения гистограмм, увеличьте значение для numObservations.
hold on; balancedLabels = balancedDatasetCount.Label; balancedCount = balancedDatasetCount.Count; h2 = histogram('Categories',balancedLabels,'BinCounts',balancedCount); title(h2.Parent,"Balanced class labels (OverlapThreshold: " + ThresholdValue + ")" ); legend(h2.Parent,{'Before','After'});
Измерьте распределение новых baanced меток поля.
cvAfter = std(balancedCount)/mean(balancedCount)
cvAfter = 0.4588
boxLabels — Помеченные данные об ограничительной рамкеПомеченные данные об ограничительной рамке в виде таблицы с двумя столбцами.
Первый столбец содержит ограничительные рамки и должен быть вектором ячейки. Каждый элемент в векторе ячейки содержит M-by-4 матрицы в формате [x, y, width, height] для полей M.
Второй столбец должен быть вектором ячейки, который содержит имена метки, соответствующие каждой ограничительной рамке. Каждым элементом в векторе ячейки должен быть M-by-1 категориальный или вектор строки.
Чтобы составить поле помечают таблицу от достоверных данных,
Используйте Image Labeler или приложение Video Labeler, чтобы пометить вашу основную истину. Экспортируйте помеченные достоверные данные в свою рабочую область.
Создайте datastore метки ограничительной рамки с помощью objectDetectorTrainingData функция.
Можно получить boxLabels от LabelData свойство поля помечает datastore возвращенным objectDetectorTrainingData, ( blds.LabelData).
blockedImages — Помеченные блокированные изображенияblockedImage объектыПомеченные блокированные изображения в виде массива blockedImage объекты, содержащие пиксель, помечают изображения.
blockSize — Размер блокаРазмер блока считанных данных в виде двухэлементного вектора-строки из положительных целых чисел, [numrows, numcols]. Первый элемент задает количество строк в блоке. Второй элемент задает количество столбцов.
numObservations — Количество местоположений блокаКоличество местоположений блока, чтобы возвратиться в виде положительного целого числа.
Задайте дополнительные разделенные запятой пары Name,Value аргументы. Name имя аргумента и Value соответствующее значение. Name должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN.
OverlapThreshold','1'