介紹當在圖像上訓練深度神經(jīng)網(wǎng)絡(luò)模型時，通過對由數(shù)據(jù)增強生成的更多圖像進行訓練，可以使模型更好地泛化。常用的增強包括水平和垂直翻轉(zhuǎn)／移位、以一定角度和方向（順時針／逆時針）隨機旋轉(zhuǎn)、亮度、飽和度、對比度和縮放增強。Python中一個非常流行的圖像增強庫是albumentations，通過直觀的函數(shù)和優(yōu)秀的文檔，可以輕松地增強圖像。它也可以與PyTorch和TensorFlow等流行的深度學習框架一起使用。

域相關(guān)的數(shù)據(jù)增強

直覺

背后的想法來自于在現(xiàn)實中可能遇到的圖像。例如，像雪或雨滴這樣的增強是不應(yīng)該在x射線圖像中發(fā)現(xiàn)的增強，但胸管和起搏器是可以在x射線圖像中發(fā)現(xiàn)的增強。這個想法從何而來改變了Roman （＠ nroman on Kaggle）為SIIM－ISIC黑色素瘤分類比賽做增強的方法。增強的一個片段如下所示：

原始圖像（左上方）和頭發(fā)增強圖像（右上方）此文確實在我們的模型訓練中使用了他的增強函數(shù)，這有助于提高我們大多數(shù)模型的交叉驗證（CV）分數(shù)。想說的是，這種形式的增強可能在我們的最終排名中發(fā)揮了關(guān)鍵作用！從那時起，使用頭發(fā)（或一般的人工制品）來增強圖像數(shù)據(jù)的想法在我參加的后續(xù)比賽中非常接近，并盡可能地加以應(yīng)用。特別是，該方法被推廣并應(yīng)用于全球小麥檢測、木薯葉病分類挑戰(zhàn)賽。

昆蟲增強

正如標題所示，這種方法包括用昆蟲增強圖像。這可以是數(shù)據(jù)中的一種自然設(shè)置，因為昆蟲通常在空中或地面上被發(fā)現(xiàn)。在本例中，在木薯和全球小麥檢測競賽中，蜜蜂被用作增強葉片圖像時的首選昆蟲。以下是增強圖像的外觀示例：蜜蜂在葉子周圍飛翔的增強圖像

我們還可以使用掩碼形式，導(dǎo)致圖像中出現(xiàn)黑點（類似于相冊中的脫落），即沒有顏色和黑色的蜜蜂：增強圖像，黑色／黑色蜜蜂圍繞樹葉飛行

以下以Albumentations風格編寫的代碼允許增強函數(shù)與來自Albumentations庫的其他增強函數(shù)一起輕松使用：

from albumentations．core．transforms＿interface import ImageOnlyTransform

class InsectAugmentation（ImageOnlyTransform）：
          ＂＂＂
          將昆蟲的圖像強加到目標圖像上
          －－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－
          參數(shù)：
              insects （int）： 昆蟲的最大數(shù)量
              insects＿folder （str）： 昆蟲圖片文件夾的路徑
         ＂＂＂

         def ＿＿init＿＿（self， insects＝2， dark＿insect＝False， always＿apply＝False， p＝0．5）：
               super（）．＿＿init＿＿（always＿apply， p）
               self．insects ＝ insects
               self．dark＿insect ＝ dark＿insect
               self．insects＿folder ＝ ＂／kaggle／input／bee－augmentation／＂
        def apply（self， image， ＊＊kwargs）：
             ＂＂＂
             參數(shù)：
                 image （PIL Image）： 畫昆蟲的圖像。
             Returns：
                  PIL Image： 帶昆蟲的圖像。
            ＂＂＂
             n＿insects ＝ random．randint（1， self．insects） ＃ 在這個例子中，我用1而不是0來說明增強效果
       
             if not n＿insects：
                  return image
       
             height， width， ＿ ＝ image．shape  ＃ 目標圖像的寬度和高度
             insects＿images ＝ ［im for im in os．listdir（self．insects＿folder） if ＇png＇ in im］
       
             for ＿ in range（n＿insects）：
                  insect ＝ cv2．cvtColor（cv2．imread（os．path．join（self．insects＿folder， random．choice（insects＿images）））， cv2．COLOR＿BGR2RGB）
                  insect ＝ cv2．flip（insect， random．choice（［－1， 0， 1］））
                  insect ＝ cv2．rotate（insect， random．choice（［0， 1， 2］））
                  h＿height， h＿width， ＿ ＝ insect．shape  ＃ 昆蟲圖像的寬度和高度
                  roi＿ho ＝ random．randint（0， image．shape［0］ － insect．shape［0］）
                  roi＿wo ＝ random．randint（0， image．shape［1］ － insect．shape［1］）
                  roi ＝ image［roi＿ho：roi＿ho ＋ h＿height， roi＿wo：roi＿wo ＋ h＿width］
                  ＃ 創(chuàng)建掩碼和反掩碼
                  img2gray ＝ cv2．cvtColor（insect， cv2．COLOR＿BGR2GRAY）
                  ret， mask ＝ cv2．threshold（img2gray， 10， 255， cv2．THRESH＿BINARY）
                  mask＿inv ＝ cv2．bitwise＿not（mask）
                  ＃ 現(xiàn)在黑掉的區(qū)域是昆蟲
                  img＿bg ＝ cv2．bitwise＿and（roi， roi， mask＝mask＿inv）
                  ＃ 從昆蟲圖像中只選取昆蟲區(qū)域。
                  if self．dark＿insect：
                     img＿bg ＝ cv2．bitwise＿and（roi， roi， mask＝mask＿inv）
                     insect＿fg ＝ cv2．bitwise＿and（img＿bg， img＿bg， mask＝mask）
                 else：
                     insect＿fg ＝ cv2．bitwise＿and（insect， insect， mask＝mask）
                ＃ 添加
                dst ＝ cv2．a(chǎn)dd（img＿bg， insect＿fg， dtype＝cv2．CV＿64F）
                image［roi＿ho：roi＿ho ＋ h＿height， roi＿wo：roi＿wo ＋ h＿width］ ＝ dst
               
       return image

如果你希望使用黑色版本，請將dark＿insect設(shè)置為True。在這個Kaggle筆記本中可以找到一個示例實現(xiàn)

使用針的增強

在這種方法中，使用針來增強圖像，例如可以是x射線圖像。以下是增強圖像的外觀示例：x光片左側(cè)帶針頭的增強圖像

類似地，我們可以使用黑色版本的針，從而生成以下增強圖像：x射線兩側(cè)帶有黑色／黑色針頭的增強圖像

作為上述擴展模塊的代碼片段如下所示：

def NeedleAugmentation（image， n＿needles＝2， dark＿needles＝False， p＝0．5， needle＿folder＝＇．．／input／xray－needle－augmentation＇）：
          aug＿prob ＝ random．random（）
          if aug＿prob ＜ p：
              height， width， ＿ ＝ image．shape  ＃ 目標圖像的寬度和高度
              needle＿images ＝ ［im for im in os．listdir（needle＿folder） if ＇png＇ in im］

              for ＿ in range（1， n＿needles）：
                  needle ＝ cv2．cvtColor（cv2．imread（os．path．join（needle＿folder， random．choice（needle＿images）））， cv2．COLOR＿BGR2RGB）
                  needle ＝ cv2．flip（needle， random．choice（［－1， 0， 1］））
                  needle ＝ cv2．rotate（needle， random．choice（［0， 1， 2］））

                  h＿height， h＿width， ＿ ＝ needle．shape  ＃ 針圖像的寬度和高度

           roi＿ho ＝ random．randint（0， abs（image．shape［0］ － needle．shape［0］））
                  roi＿wo ＝ random．randint（0， abs（image．shape［1］ － needle．shape［1］））
                  roi ＝ image［roi＿ho：roi＿ho ＋ h＿height， roi＿wo：roi＿wo ＋ h＿width］

                 ＃ 創(chuàng)建掩碼和反掩碼
                  img2gray ＝ cv2．cvtColor（needle， cv2．COLOR＿BGR2GRAY）
                  ret， mask ＝ cv2．threshold（img2gray， 10， 255， cv2．THRESH＿BINARY）
                  mask＿inv ＝ cv2．bitwise＿not（mask）

                 ＃ 現(xiàn)在黑掉的區(qū)域是針
                  img＿bg ＝ cv2．bitwise＿and（roi， roi， mask＝mask＿inv）

                 ＃ 只選取針區(qū)域。
                  if dark＿needles：
                      img＿bg ＝ cv2．bitwise＿and（roi， roi， mask＝mask＿inv）
                      needle＿fg ＝ cv2．bitwise＿and（img＿bg， img＿bg， mask＝mask）
                  else：
                      needle＿fg ＝ cv2．bitwise＿and（needle， needle， mask＝mask）

                 ＃ 添加
                  dst ＝ cv2．a(chǎn)dd（img＿bg， needle＿fg， dtype＝cv2．CV＿64F）
                  image［roi＿ho：roi＿ho ＋ h＿height， roi＿wo：roi＿wo ＋ h＿width］ ＝ dst
        return image

請注意，以上內(nèi)容不是Albumentations格式，不能直接應(yīng)用于常規(guī)Albumentations增強。必須進行一些調(diào)整，使其與上述昆蟲／蜜蜂增強中的格式相同。但變化應(yīng)該很��！同樣，如果你希望使用黑色版本，請將dark＿Piners設(shè)置為True。在我的Kaggle筆記本中可以找到一個示例實現(xiàn)。

實驗結(jié)果

總的來說，局部CV結(jié)果有所改善，大部分略有改善（如0．001–0．003）。但在某些情況下，使用這種增強方法在訓練過程中“失敗”。例如，在全球小麥檢測競賽中，任務(wù)涉及檢測小麥頭部，即目標檢測任務(wù)。盡管進行了大量的超參數(shù)調(diào)整，但使用原始蜜蜂的蜜蜂增強導(dǎo)致訓練驗證損失波動很大。雖然使用增強器確實提高了CV，但可以說這確實是一個幸運的機會。使用僅保留黑色像素的增強被證明在應(yīng)用程序的各個領(lǐng)域是穩(wěn)定的。特別是，CV的提升是實質(zhì)性的，也是一致的。到目前為止，尚未找到蜜蜂數(shù)量增加導(dǎo)致不同epoch之間出現(xiàn)這種訓練結(jié)果的原因，但有一種假設(shè)是蜜蜂的顏色接近某些麥頭，因此“混淆”了檢測算法，該算法隨后在同一邊界框內(nèi)捕獲麥頭和最近的蜜蜂。在一些邊界框預(yù)測中觀察到了這一點，但沒有足夠的觀察案例可以肯定地說這一假設(shè)是正確的。在任何情況下，還應(yīng)該考慮圖像屬性（顏色）是否具有接近目標（例如小麥頭）的分布。另一方面，使用針的增強被證明（原始及其黑色／黑色版本）都相對穩(wěn)定。在該示例中，預(yù)測的目標雖然在顏色分布上相似，但可能具有明顯的特征（例如，胸管看起來與針頭大不相同），因此分類算法不會混淆針頭是否是正確的目標。