基于域相关的图像增强

介绍当在图像上训练深度神经网络模型时，通过对由数据增强生成的更多图像进行训练，可以使模型更好地泛化。常用的增强包括水平和垂直翻转／移位、以一定角度和方向（顺时针／逆时针）随机旋转、亮度、饱和度、对比度和缩放增强。Python中一个非常流行的图像增强库是albumentations，通过直观的函数和优秀的文档，可以轻松地增强图像。它也可以与PyTorch和TensorFlow等流行的深度学习框架一起使用。

域相关的数据增强

直觉

背后的想法来自于在现实中可能遇到的图像。例如，像雪或雨滴这样的增强是不应该在x射线图像中发现的增强，但胸管和起搏器是可以在x射线图像中发现的增强。这个想法从何而来改变了Roman （＠ nroman on Kaggle）为SIIM－ISIC黑色素瘤分类比赛做增强的方法。增强的一个片段如下所示：

原始图像（左上方）和头发增强图像（右上方）此文确实在我们的模型训练中使用了他的增强函数，这有助于提高我们大多数模型的交叉验证（CV）分数。想说的是，这种形式的增强可能在我们的最终排名中发挥了关键作用！从那时起，使用头发（或一般的人工制品）来增强图像数据的想法在我参加的后续比赛中非常接近，并尽可能地加以应用。特别是，该方法被推广并应用于全球小麦检测、木薯叶病分类挑战赛。

昆虫增强

正如标题所示，这种方法包括用昆虫增强图像。这可以是数据中的一种自然设置，因为昆虫通常在空中或地面上被发现。在本例中，在木薯和全球小麦检测竞赛中，蜜蜂被用作增强叶片图像时的首选昆虫。以下是增强图像的外观示例：蜜蜂在叶子周围飞翔的增强图像

我们还可以使用掩码形式，导致图像中出现黑点（类似于相册中的脱落），即没有颜色和黑色的蜜蜂：增强图像，黑色／黑色蜜蜂围绕树叶飞行

以下以Albumentations风格编写的代码允许增强函数与来自Albumentations库的其他增强函数一起轻松使用：

from albumentations．core．transforms＿interface import ImageOnlyTransform

class InsectAugmentation（ImageOnlyTransform）： ＂＂＂ 将昆虫的图像强加到目标图像上 －－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－ 参数： insects （int）： 昆虫的最大数量 insects＿folder （str）： 昆虫图片文件夹的路径 ＂＂＂

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）： ＂＂＂ 参数： image （PIL Image）： 画昆虫的图像。 Returns： PIL Image： 带昆虫的图像。 ＂＂＂ n＿insects ＝ random．randint（1， self．insects） ＃ 在这个例子中，我用1而不是0来说明增强效果 if not n＿insects： return image height， width， ＿ ＝ image．shape ＃ 目标图像的宽度和高度 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 ＃ 昆虫图像的宽度和高度 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］ ＃ 创建掩码和反掩码 img2gray ＝ cv2．cvtColor（insect， cv2．COLOR＿BGR2GRAY） ret， mask ＝ cv2．threshold（img2gray， 10， 255， cv2．THRESH＿BINARY） mask＿inv ＝ cv2．bitwise＿not（mask） ＃ 现在黑掉的区域是昆虫 img＿bg ＝ cv2．bitwise＿and（roi， roi， mask＝mask＿inv） ＃ 从昆虫图像中只选取昆虫区域。 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．add（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，请将dark＿insect设置为True。在这个Kaggle笔记本中可以找到一个示例实现

使用针的增强

在这种方法中，使用针来增强图像，例如可以是x射线图像。以下是增强图像的外观示例：x光片左侧带针头的增强图像

类似地，我们可以使用黑色版本的针，从而生成以下增强图像：x射线两侧带有黑色／黑色针头的增强图像

作为上述扩展模块的代码片段如下所示：

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 ＃ 目标图像的宽度和高度 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 ＃ 针图像的宽度和高度

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］

＃ 创建掩码和反掩码 img2gray ＝ cv2．cvtColor（needle， cv2．COLOR＿BGR2GRAY） ret， mask ＝ cv2．threshold（img2gray， 10， 255， cv2．THRESH＿BINARY） mask＿inv ＝ cv2．bitwise＿not（mask）

＃ 现在黑掉的区域是针 img＿bg ＝ cv2．bitwise＿and（roi， roi， mask＝mask＿inv）

＃ 只选取针区域。 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．add（img＿bg， needle＿fg， dtype＝cv2．CV＿64F） image［roi＿ho：roi＿ho ＋ h＿height， roi＿wo：roi＿wo ＋ h＿width］ ＝ dst return image

请注意，以上内容不是Albumentations格式，不能直接应用于常规Albumentations增强。必须进行一些调整，使其与上述昆虫／蜜蜂增强中的格式相同。但变化应该很小！同样，如果你希望使用黑色版本，请将dark＿Piners设置为True。在我的Kaggle笔记本中可以找到一个示例实现。

实验结果

总的来说，局部CV结果有所改善，大部分略有改善（如0．001–0．003）。但在某些情况下，使用这种增强方法在训练过程中“失败”。例如，在全球小麦检测竞赛中，任务涉及检测小麦头部，即目标检测任务。尽管进行了大量的超参数调整，但使用原始蜜蜂的蜜蜂增强导致训练验证损失波动很大。虽然使用增强器确实提高了CV，但可以说这确实是一个幸运的机会。使用仅保留黑色像素的增强被证明在应用程序的各个领域是稳定的。特别是，CV的提升是实质性的，也是一致的。到目前为止，尚未找到蜜蜂数量增加导致不同epoch之间出现这种训练结果的原因，但有一种假设是蜜蜂的颜色接近某些麦头，因此“混淆”了检测算法，该算法随后在同一边界框内捕获麦头和最近的蜜蜂。在一些边界框预测中观察到了这一点，但没有足够的观察案例可以肯定地说这一假设是正确的。在任何情况下，还应该考虑图像属性（颜色）是否具有接近目标（例如小麦头）的分布。另一方面，使用针的增强被证明（原始及其黑色／黑色版本）都相对稳定。在该示例中，预测的目标虽然在颜色分布上相似，但可能具有明显的特征（例如，胸管看起来与针头大不相同），因此分类算法不会混淆针头是否是正确的目标。