Сбалансируйте пиксельные метки путем сверхдискретизации местоположений блока в больших изображениях
blockLocations = balancePixelLabels(blockedImages,blockSize,numObservations)blockedImages, тот результат в классе сбалансировал набор данных путем сверхдискретизации областей изображений, которые содержат менее - общие метки. numObservations необходимое количество местоположений блока и blockSize задает размер блока.
Сбалансированный набор данных может привести к лучшим результатам, когда используется для учебных рабочих процессов, таких как семантическая сегментация в глубоком обучении.
blockLocations = balancePixelLabels(blockedImages,blockSize,numObservations,Name,Value)
Задайте местоположение помеченного набора данных изображений.
dataDir = fullfile(toolboxdir('vision'), 'visiondata'); labelDir = fullfile(dataDir, 'buildingPixelLabels'); fileSet = matlab.io.datastore.FileSet(labelDir, "FileExtensions", {'.png'});
Создайте массив помеченных изображений от набора данных.
blockedImages = blockedImage(fileSet);
Установите размер блока изображений. Примите самый прекрасный уровень разрешения.
blockSize = [20 15];
Создайте blockedImageDatastore от матрицы изображений.
blabelds = blockedImageDatastore(blockedImages, 'BlockSize', blockSize);Считайте пиксельные случаи метки каждого класса. Классы в пиксельных изображениях метки не сбалансированы.
pixelLabelID = [1 2 3 4]; classNames = ["sky" "grass" "building" "sidewalk"]; labelCounts = countEachLabel(blabelds,... 'Classes', classNames, 'PixelLabelIDs', pixelLabelID);
Количество Speciy местоположений блока к выборке от набора данных.
numObservations = 2000;
Выберите местоположения блока из помеченных изображений, чтобы достигнуть класса.
locationSet = balancePixelLabels(blockedImages, blockSize, numObservations,... 'Classes', classNames, 'PixelLabelIDs', pixelLabelID);
Создайте blockedImageDatastore использование местоположений блока после балансировки.
blabeldsBalanced = blockedImageDatastore(blockedImages, 'BlockLocationSet', locationSet);Повторно вычислите пиксельные случаи метки для сбалансированного набора данных.
labelCountsBalanced = countEachLabel(blabeldsBalanced,... 'Classes', classNames, 'PixelLabelIDs', pixelLabelID);
Сравните исходные несбалансированные метки и метки после балансировки метки.
figure h1 = histogram('Categories',labelCounts.Name,... 'BinCounts',labelCounts.PixelCount)
h1 =
Histogram with properties:
Data: [0x0 categorical]
Values: [314849 159787 1031235 25313]
NumDisplayBins: 4
Categories: {'sky' 'grass' 'building' 'sidewalk'}
DisplayOrder: 'manual'
Normalization: 'count'
DisplayStyle: 'bar'
FaceColor: 'auto'
EdgeColor: [0 0 0]
Show all properties
title(h1.Parent,'Original dataset labels')
figure h2 = histogram('Categories',labelCountsBalanced.Name,... 'BinCounts',labelCountsBalanced.PixelCount)
h2 =
Histogram with properties:
Data: [0x0 categorical]
Values: [131906 241546 81006 143167]
NumDisplayBins: 4
Categories: {'sky' 'grass' 'building' 'sidewalk'}
DisplayOrder: 'manual'
Normalization: 'count'
DisplayStyle: 'bar'
FaceColor: 'auto'
EdgeColor: [0 0 0]
Show all properties
title(h2.Parent,'Balanced dataset labels')
Чтобы сбалансировать пиксельные метки, функция сверхдискретизировала 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.