Метки ограничивающих рамок баланса для обнаружения объектов
locationSet = balanceBoxLabels(boxLabels,blockedImages,blockSize,numObservations)boxLabels, путем избыточной выборки блоков изображений, содержащих менее частые классы, содержащиеся в коллекции заблокированных объектов изображения blockedImages. numObservations - необходимое количество местоположений блоков, и blockSize задает размер блока.
locationSet = balanceBoxLabels(boxLabels,blockedImages,blockSize,numObservations,Name,Value)
Загрузите данные меток полей, которые содержат поля и метки для одного изображения. Высота и ширина каждого ящика - [20,20].
d = load('balanceBoxLabelsData.mat');
boxLabels = d.BoxLabels;Создание заблокированного изображения размера [500,500].
blockedImages = blockedImage(zeros([500,500]));
Выберите размер изображений для каждого наблюдения.
blockSize = [50,50];
Визуализация с помощью гистограммы для идентификации дисбаланса классов в метках полей.
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 коробки. Если коэффициент вариации больше 1, то существует дисбаланс классов.
cvBefore = std(datasetCount.Count)/mean(datasetCount.Count)
cvBefore = 1.5746
Выберите эвристическое значение для количества наблюдений, найдя среднее значение счетчиков каждого класса, умноженное на число классов.
numClasses = height(datasetCount); numObservations = mean(datasetCount.Count) * numClasses;
Управление количеством, которое может быть вырезано с помощью OverlapThreshold. Использование нижнего порогового значения приведет к более резанию объектов на границе блока. Увеличьте это значение, чтобы уменьшить количество объектов, которые можно подрезать на границе, за счет менее сбалансированных меток полей.
ThresholdValue = 0.5;
Баланс boxLabels с использованием balanceBoxLabels функция.
locationSet = balanceBoxLabels(boxLabels,blockedImages,blockSize,... numObservations,'OverlapThreshold',ThresholdValue);
Balancing box labels for 1 images with [==================================================] 100% [==================================================] 100% Balancing box labels complete.
Подсчитайте метки, содержащиеся в блоках изображений.
bldsBalanced = boxLabelDatastore(boxLabels,locationSet); balancedDatasetCount = countEachLabel(bldsBalanced);
Наложите другую гистограмму относительно исходного количества меток, чтобы увидеть, сбалансированы ли метки полей. Если метки не сбалансированы путем просмотра 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 этикеток боксов.
cvAfter = std(balancedCount)/mean(balancedCount)
cvAfter = 0.4588
boxLabels - Данные маркированной ограничивающей рамкиДанные ограничивающей рамки, помеченные как таблица с двумя столбцами.
Первый столбец содержит ограничивающие рамки и должен быть вектором ячейки. Каждый элемент вектора ячейки содержит M-by-4 матрицы в формате [x, y, width, height] для M-полей.
Второй столбец должен быть вектором ячейки, который содержит имена меток, соответствующие каждой ограничивающей рамке. Каждый элемент в векторе ячейки должен быть M-by-1 категориальным или строковым вектором.
Чтобы создать таблицу меток полей на основе данных истинности земли,
Используйте приложение Image Labeler или Video Labeler, чтобы пометить свою достоверность. Экспортируйте помеченные данные истинности основания в рабочую область.
Создайте хранилище данных меток ограничивающих рамок с помощью команды objectDetectorTrainingData функция.
Вы можете получить boxLabels от LabelData свойство хранилища данных метки поля, возвращенное objectDetectorTrainingData, ( blds.LabelData).
blockedImages - Помеченные заблокированные изображенияblockedImage объектыПомеченные заблокированные изображения, указанные как массив blockedImage объекты, содержащие изображения меток пикселей.
blockSize - Размер блокаРазмер блока считанных данных, определяемый как двухэлементный вектор строки положительных целых чисел, [numrows, numcols]. Первый элемент указывает количество строк в блоке. Второй элемент указывает количество столбцов.
numObservations - Количество мест расположения блоковЧисло возвращаемых расположений блоков, указанное как положительное целое число.
Укажите дополнительные пары, разделенные запятыми Name,Value аргументы. Name является именем аргумента и Value - соответствующее значение. Name должен отображаться внутри кавычек. Можно указать несколько аргументов пары имен и значений в любом порядке как Name1,Value1,...,NameN,ValueN.
OverlapThreshold','1'