Балансировка меток пикселей путем избыточной дискретизации местоположений блоков на больших изображениях
blockLocations = balancePixelLabels(blockedImages,blockSize,numObservations)blockedImages, что приводит к набору сбалансированных данных класса путем избыточной дискретизации областей изображения, которые содержат менее распространенные метки. numObservations - необходимое количество расположений блоков и blockSize задает размер блока.
Сбалансированный набор данных может привести к лучшим результатам при использовании для обучения рабочих процессов, таких как семантическая сегментация в глубоком обучении.
blockLocations = balancePixelLabels(blockedImages,blockSize,numObservations,Name,Value)
Укажите местоположение маркированного набора данных изображения.
dataDir = fullfile(toolboxdir('vision'), 'visiondata'); labelDir = fullfile(dataDir, 'buildingPixelLabels'); fileSet = matlab.io.datastore.FileSet(labelDir, "FileExtensions", {'.png'});
Создайте массив маркированных изображений из набора данных.
blockedImages = blockedImage(fileSet);
Установите размер блоков изображений. Примите лучший уровень разрешения.
blockSize = [20 15];
Создайте blockedImageDatastore из массива изображений.
blabelds = blockedImageDatastore(blockedImages, 'BlockSize', blockSize);Количество вхождений метки пикселя для 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);
Определенное количество местоположений блоков для выборки из набора данных.
numObservations = 2000;
Выберите местоположения блоков из маркированных изображений, чтобы достичь класса.
locationSet = balancePixelLabels(blockedImages, blockSize, numObservations,... 'Classes', classNames, 'PixelLabelIDs', pixelLabelID);
Создайте blockedImageDatastore использование расположения блоков после балансировки.
blabeldsBalanced = blockedImageDatastore(blockedImages, 'BlockLocationSet', locationSet);Пересчитайте вхождения метки пикселя для сбалансированного набора данных.
labelCountsBalanced = countEachLabel(blabeldsBalanced,... 'Classes', classNames, 'PixelLabelIDs', pixelLabelID);
Сравнение исходных несбалансированных меток и меток 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 переизбирает классы меньшинств на входных изображениях. Класс меньшинства определяется путем вычисления общего количества меток пикселей для полного набора данных. Алгоритм следует этим шагам.
Изображения в вход массиве изображений разделены на макро- блоки, что является произведением blockSize входное значение.
Функция подсчитывает пиксельные метки для всех классов в каждом блоке макроса. Затем он выбирает блок макроса с наибольшими вхождениями классов меньшинства, используя взвешенный случайный выбор.
Алгоритм использует случайное расположение блоков в выбранном макроблоке, чтобы выполнить избыточную дискретизацию. Источник расположения блока должен всегда находиться полностью в пределах макроблока.
Функция обновляет общее количество меток на основе количества пиксельных меток классов, найденных для выбранных блоков макроса.
Функция включает новые (передискретизированные) классы для вычисления нового класса меньшинства.
Этот процесс повторяется, пока количество обработанных местоположений блоков не равняется значению, заданному numObservations входное значение.