基本图像增强算法对深度学习模型结果的影响
本文介绍了一种极易被使用者忽视的算法接口,可能会是简单场景下效果不佳的主要原因

写在前头:
    经常会有人问起,为什么深度学习可以在图像各个位置,检测到相应目标或缺陷呢?这得益于卷积和池化的过程,在卷积过程中,通过对图像的特征提取,形成与卷积核相同数量级的特征图,目标特征在图中的位置无论如何变化,特征图中对应的位置也会依次变化,而池化是一种降维过程,并不会对特征图产生所谓偏移的影响,因此在一定程度上,深度学习具有平移不变性。特征提取的过程有别于传统算法的生长连通域、特征匹配、亮度测量等逻辑思维,更多的是一种“预测/推理”目标位置及类别的过程。
    举个例子,在做字符识别任务时,有一个常见误区为:必须要遍历各字符出现的所有位置以及字符间的各种排列组合,才能达到高精度识别的能力。显然这个思维套用了传统方法的面积或灰度统计,以一种模板匹配的形式来完成该项任务,而在现有深度学习网络中,每次训练都会基于预训练模型上调整权重和偏差,这样做可以减少训练时间,提高模型的准确性和泛化能力,同时也适用于小样本训练集。

    

                                                                    OCR模块的预训练模型可以直接使用

    此外,为提高训练数据的丰富性,同时针对小样本场景,会对数据做一定增强操作,例如:HSV空间变换(色调、饱和度、亮度)、镜像、画布扩大、裁剪、仿射变换、噪声等。每种数据增强算法都会赋予概率值(记为x%),此处概率指每次迭代时,会有x%的概率执行增强算法,使原图不是“原图”,从AI平台上的设置来看,VT和AI平台一样,每个增强算法的概率值应该都是30%。

    

                                        VT的图像增强界面

回到主题:
    我们可能会遇到在简单场景下(如识别正反的场景),论如何调整训练参数,模型虽然定位准确,却仍未能精准的分类,似乎毫无辨识能力。在下图示例中,黑线在左侧为类别0,黑线在右侧为类别1,两个目标呈水平镜像关系。

    
                                    分类不准

    从上述图像增强算法的清单中,可以看到有镜像操作,那么应该是算法内默认开启了数据增强功能,因此上方图中的类别0和1在镜像后特征互换,但标签未变,导致训练精度损失严重。于是,我们可以在VT的训练参数界面,打开增强按钮,选择“数据增强”,实现对数据增强的初始化配置。

     

    在以上示例中,只需要把镜像功能的变化概率调至0,或把镜像类型更改为垂直,均可以在变动样本特征的情况下,实现合理的数据增强。由于打开数据增强后,会初始化所有增强算法,因此其他类型可以按默认值0.3重新设置。

    

       按相同参数训练后,效果就正常了。

    
                                优化后

    细心对比可以看到,数据增强接口并不在全部算法中都开放出来的,如图像分割只开放了基础参数,但其内部一定也会存在数据增强的操作,经过实验对比,也发现了一些问题,这个我们在后续文章中再讨论。
    以上是近期本人在使用VM深度学习时遇到的一些小结,深度学习对数据总是具有强相关性,成像质量,标注方式和训练策略都是对数据的一种分布式调整,算法开放了图像增强接口是有一定作用的,应当在什么情况下使用则需要不断的积累。使用深度学习并不是摸盲盒,在具备一定知识基础后,要勇于实践,不断试错,当然前期应当先咨询有经验的人士参与评估,找好团队方向,最后祝大家项目顺利落地。


版权声明:本文为V社区用户原创内容,转载时必须标注文章的来源(V社区),文章链接、文章作者等基本信息,否则作者和本社区有权追究责任。如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件至:v-club@hikrobotics.com 进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容。
上一篇

基于VM界面层的多类别缺陷统计方案

下一篇

深度学习推理耗时波动现象的解决方法

评论请先登录 登录
全部评论 0
Lv.0
1
关注
36
粉丝
13
创作
47
获赞
所属专题
  • 什么是深度学习?
  • 深度学习的前沿研究与应用
  • 深度学习和传统算法在缺陷检测应用中的特点
  • 深度学习训练工具VisionTrain1.4.1功能更新说明
  • 模型优化方法---通用基础篇
  • 模型优化方法---VM算法平台预测篇
  • 模型优化方法---VisionTrain训练篇
  • 模型优化方法---预测耗时篇
  • 深度学习小工具之快速图像分割
  • 深度学习小工具之标签转化工具
  • 深度学习小工具之图像名称、标签文件内容修改工具
  • 训练误差与泛化误差的关系
  • 训练过程中对于误差值的理解
  • 基本图像增强算法对深度学习模型结果的影响
  • 使用VM深度学习功能实现模型训练与图像检索功能
  • 智能相机-深度学习OCR训练及优化指南
  • 一种提升OCR模型识别率的优化方法
  • 根据实际需求找到最优方案-OCR识别篇
  • 多分类分割任务下实现指定类别的阈值调整
  • 多分类分割任务下的标注问题及解决思路
  • 图像分割标注训练经验分享
  • 基于VM界面层的多类别缺陷统计方案
  • VM深度学习OCR项目经验分享
  • 【VM集成开源AI】深度学习算子模块封装
  • 深度学习推理耗时波动现象的解决方法
  • 【共享学习】关于深度学习显卡推理那些事儿
  • VM7100深度学习检测温度传感器焊点,裸针,锡珠,超盘,
  • 深度学习缺陷检测项目经验分享
相关阅读
  • 3C电子
    【VM的视觉应用】IPad表面划痕缺陷检测
    浏览 4630
  • 3C电子
    3C行业|字符缺陷检测及字符识别
    浏览 4443
  • 3C电子
    手机后盖尺寸测量
    浏览 4013
  • 3C电子
    十佳案例-3C行业-手机壳双拍照位定位项目案例
    浏览 2961
  • 3C电子
    手机屏幕边缘缺陷检测
    浏览 2904

请升级浏览器版本

您正在使用的浏览器版本过低,请升级最新版本以获得更好的体验。

推荐使用以下浏览器