Балансировка пиксельных меток путем избыточной дискретизации расположения блоков на больших изображениях
blockLocations = balancePixelLabels(blockedImages,blockSize,numObservations)blockedImages, что приводит к набору данных со сбалансированным классом путем избыточной выборки областей изображения, которые содержат менее распространенные метки. numObservations - необходимое количество местоположений блоков, и blockSize задает размер блока.
Сбалансированный набор данных может дать лучшие результаты при использовании для обучения рабочих процессов, таких как семантическая сегментация в глубоком обучении.
blockLocations = balancePixelLabels(blockedImages,blockSize,numObservations,Name,Value)
Укажите расположение маркированного набора данных изображения.
dataDir = fullfile(toolboxdir('vision'), 'visiondata'); labelDir = fullfile(dataDir, 'buildingPixelLabels'); fileSet = matlab.io.datastore.FileSet(labelDir, "FileExtensions", {'.png'});
Создайте массив помеченных изображений из набора данных.
blockedImages = blockedImage(fileSet);
Задайте размер блока изображений. Предположим, что самый лучший уровень разрешения.
blockSize = [20 15];
Создать blockedImageDatastore из массива изображений.
blabelds = blockedImageDatastore(blockedImages, 'BlockSize', blockSize);Подсчитать вхождения меток пикселей каждого класса. Классы в изображениях меток пикселей не сбалансированы.
pixelLabelID = [1 2 3 4]; classNames = ["sky" "grass" "building" "sidewalk"]; labelCounts = countEachLabel(blabelds,... 'Classes', classNames, 'PixelLabelIDs', pixelLabelID);
Укажите количество местоположений блоков для выборки из набора данных.
numObservations = 2000;
Выберите расположения блоков из помеченных изображений, чтобы получить класс.
locationSet = balancePixelLabels(blockedImages, blockSize, numObservations,... 'Classes', classNames, 'PixelLabelIDs', pixelLabelID);
Создать blockedImageDatastore использование расположений блоков после балансировки.
blabeldsBalanced = blockedImageDatastore(blockedImages, 'BlockLocationSet', locationSet);Пересчитайте вхождения меток пикселей для сбалансированного набора данных.
labelCountsBalanced = countEachLabel(blabeldsBalanced,... 'Classes', classNames, 'PixelLabelIDs', pixelLabelID);
Сравните исходные несбалансированные метки и метки после балансировки меток.
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 переопределяет классы меньшинства во входных изображениях. Класс меньшинства определяется путем вычисления общего количества меток пикселей для полного набора данных. Алгоритм выполняет следующие действия.
Изображения в массиве входных изображений делятся на макроблоки, что кратно blockSize входное значение.
Функция подсчитывает пиксельные метки для всех классов в каждом макроблоке. Затем он выбирает макроблок с наибольшими вхождениями классов меньшинства, используя взвешенный случайный выбор.
Алгоритм использует случайное местоположение блока в выбранном макроблоке для выполнения избыточной дискретизации. Начало расположения блока всегда должно полностью находиться в пределах макроблока.
Функция обновляет общее количество меток на основе количества меток пикселей классов, найденных для выбранного макроблока.
Функция включает новые (избыточно дискретизированные) классы для вычисления нового класса меньшинства.
Этот процесс повторяется до тех пор, пока количество обрабатываемых местоположений блоков не станет равным значению, указанному numObservations входное значение.