Количество вхождений меток пикселей или коробок
Загрузите таблицу, содержащую ограничительные рамки с метками для транспортных средств.
load('vehicleTrainingData.mat');Загрузите таблицу, содержащую ограничительные рамки с метками для знаков упора и автомобилей.
load('stopSignsAndCars.mat');Объедините основные блоки истинности и метки, исключая имена файлов изображений в первом столбце.
vehiclesTbl = vehicleTrainingData(:,2:end); stopSignsTbl = stopSignsAndCars(:,2:end);
Создайте boxLabelDatastore с помощью 2 таблиц, одна с данными о метке транспортного средства, а другая с данными о метках знаков упора.
blds = boxLabelDatastore(vehiclesTbl,stopSignsTbl); tbl = countEachLabel(blds)
tbl=4×3 table
Label Count ImageCount
________ _____ __________
vehicle 336 295
stopSign 42 41
carRear 10 9
carFront 9 8
Создайте гистограмму графика, используя метки и соответствующие счетчики меток.
histogram('Categories',tbl.Label,'BinCounts',tbl.Count);
Создайте другую гистограмму, перекрывающую соответствующие счетчики изображений.
hold on; histogram('Categories',tbl.Label,'BinCounts',tbl.ImageCount);
Установите местоположение изображения и данных о пиксельных метках.
dataDir = fullfile(toolboxdir('vision'),'visiondata'); imDir = fullfile(dataDir,'building'); pxDir = fullfile(dataDir,'buildingPixelLabels');
Создайте pixel метки image datastore с помощью основной истины изображений в imds и пиксельные маркированные изображения в pxds.
imds = imageDatastore(imDir); classNames = ["sky" "grass" "building" "sidewalk"]; pixelLabelID = [1 2 3 4]; pxds = pixelLabelDatastore(pxDir,classNames,pixelLabelID); pximds = pixelLabelImageDatastore(imds,pxds);
Количество меток пикселей в наборе данных.
tbl = countEachLabel(pximds)
tbl=4×3 table
Name PixelCount ImagePixelCount
____________ __________ _______________
{'sky' } 3.1485e+05 1.536e+06
{'grass' } 1.5979e+05 1.536e+06
{'building'} 1.0312e+06 1.536e+06
{'sidewalk'} 25313 9.216e+05
Балансировка классов с использованием равномерного предшествующего взвешивания.
prior = 1/numel(classNames); uniformClassWeights = prior./tbl.PixelCount
uniformClassWeights = 4×1
10-5 ×
0.0794
0.1565
0.0242
0.9876
Балансировочные классы с использованием обратного взвешивания частот.
totalNumberOfPixels = sum(tbl.PixelCount); frequency = tbl.PixelCount / totalNumberOfPixels; invFreqClassWeights = 1./frequency
invFreqClassWeights = 4×1
4.8632
9.5827
1.4848
60.4900
Балансировка классов с помощью медианной частоты взвешивания.
freq = tbl.PixelCount ./ tbl.ImagePixelCount
freq = 4×1
0.2050
0.1040
0.6714
0.0275
medFreqClassWeights = median(freq) ./ freq
medFreqClassWeights = 4×1
0.7538
1.4852
0.2301
5.6252
Передайте веса классов, используя медианную частоту, в слой классификации пикселей.
layer = pixelClassificationLayer('Classes',tbl.Name, ... 'ClassWeights', medFreqClassWeights)
layer =
PixelClassificationLayer with properties:
Name: ''
Classes: [sky grass building sidewalk]
ClassWeights: [4x1 double]
OutputSize: 'auto'
Hyperparameters
LossFunction: 'crossentropyex'
Область выхода countEachLabel может использоваться для вычисления весов классов для балансировки классов. Для примера, для маркированных пиксельных данных в tbl:
Равномерный класс балансировки взвешивает каждый класс таким образом, чтобы каждый содержал равномерную предшествующую вероятность:
numClasses = height(tbl) prior = 1/numClasses; classWeights = prior./tbl.PixelCount
Обратная балансировка частот взвешивает каждый класс таким образом, что недостаточно представленным классам придается более высокий вес:
totalNumberOfPixels = sum(tbl.PixelCount) frequency = tbl.PixelCount / totalNumberOfPixels; classWeights = 1./frequency
Медианная частотная балансировка взвешивает каждый класс, используя медианную частоту. Вес для каждого класса определяется как медиана (imageFreq )/ imageFreq (c), где imageFreq (c) представляет количество пикселей класса, разделенное на общее количество пикселей в изображениях, которые имели образец класса (c):
imageFreq = tbl.PixelCount ./ tbl.ImagePixelCount classWeights = median(imageFreq) ./ imageFreq
pixelClassificationLayer.