DataWhale 零基础入门语义分割-地表建筑物识别-Task2

DataWhale 零基础入门语义分割-地表建筑物识别-Task2

数据扩增

对语义分割任务中常见的数据扩增方法进行介绍，并使用OpenCV 和albumentations 两个库完成具体的数据扩增操作。
主要内容为数据扩增方法、OpenCV 数据扩增、albumentations 数据扩增和Pytorch 读取赛题数据四个部分组成。

一、数据扩增方法

数据扩增是一种有效的正则化方法，可以防止模型过拟合，在深度学习模型的训练过程中应用广泛。
数据扩增的目的是增加数据集中样本的数据量，同时也可以有效增加样本的语义空间。
需注意：

1. 不同的数据，拥有不同的数据扩增方法；
2. 数据扩增方法需要考虑合理性，不要随意使用；
3. 数据扩增方法需要与具体任何相结合，同时要考虑到标签的变化；

对于图像分类，数据扩增方法可以分为两类：

1. 标签不变的数据扩增方法：数据变换之后图像类别不变；
2. 标签变化的数据扩增方法：数据变换之后图像类别变化；
   而对于语义分割而言，常规的数据扩增方法都会改变图像的标签。如水平翻转、垂直翻转、旋转90

二、OpenCV 数据扩增

1.读取原始数据

代码如下：

img = cv2.imread(train_mask[’name’].iloc[0])
mask = rle_decode(train_mask[’mask’].iloc[0])

2.使用OpenCv进行翻转

代码如下：

'''
filename 是文件名称；filecode是进行的操作
filecode = 1 水平翻转
filecode = 0 垂直翻转
filecode = -1 水平垂直翻转
'''
cv2.flip(filename, filecode)

3.对图像进行随机裁剪

代码如下(以256*256为例)：

x, y = np.random.randint(0, 256), np.random.