深度照明器 Deep Illuminator是设计用于图像重新照明的数据增强工具。 它可用于轻松高效地生成单个图像的多种照明方式。 它已通过多个数据集和模型进行了测试,并已成功改善了性能。 它具有使用创建的内置可视化工具,以预览如何对目标图像进行照明。 增强实例 用法 使用此工具的最简单方法是通过Docker Hub: docker pull kartvel/deep-illuminator 可视化器 有了Deep Illuminator图像后,请运行以下命令以启动可视化器: docker run -it --rm --gpus all \ -p 8501:8501 --entrypoint streamlit \ kartvel/deep-illuminator run streamlit/streamlit_app.py 您将可以在localhost:8501上与它进行交互。
2023-03-02 10:34:05 5.22MB deep-learning pytorch illumination augmentations
1
如何从少数训练样本中学习并识别新的类别对于深度神经网络来说是一个具有挑战性的问题。针对如何解决少样本学习的问题,全面总结了现有基于深度神经网络的少样本学习方法,涵盖了方法所用模型、数据集及评估结果等各个方面。具体地,针对基于深度神经网络的少样本学习方法,提出将其分为数据增强方法、迁移学习方法、度量学习方法和元学习方法四种类别;对于每个类别,进一步将其分为几个子类别,并且在每个类别与方法之间进行一系列比较,以显示各种方法的优劣和各自的特点。最后强调了现有方法的局限性,并指出了少样本学习研究领域未来的研究方向。
2023-02-24 00:24:12 1.56MB 少样本学习 数据增强 迁移学习
1
包含基本所有的高光谱数据处理,包括:高光谱格式转换,高光谱数据增强(旋转、拼接,缩放),高光谱空间-光谱剪切,高光谱数据归一化,高光谱数据显示等等,都是matlab代码,拿来就可以用,写有注释,简单易懂;研究高光谱方向的同学不要错过,我也是苦于网上没有系统的高光谱处理代码,遂总结此篇让后面的同学少走弯路。
1
自动驾驶-kitti数据点云网络训练数据增强标签 给出了点云道路平面的范围,可以在此范围对点云进行目标增强 也可通过点云与图像的变换矩阵对图像3d目标增强
2022-12-15 16:26:53 4.64MB 3d
1
1. 像素级:HSV增强、旋转、平移、缩放、剪切、透视、翻转等 2. 图片级:MixUp、Cutout、CutMix、Mosaic、Copy-Paste等 3. 基本图片处理方法:将图像的最长边缩放到640,短边填充到640等方法。 可供使用者完成开发,调试,进行图片处理等操作。
2022-12-13 11:30:03 132KB yolo 数据增强 计算机视觉 目标检测
1
数据 img2083 链接:https://pan.baidu.com/s/1LIrSH51bUgS-TcgGuCcniw 提取码:m4vq 数据cifar102021 链接:https://pan.baidu.com/s/15rpkygWIttr-ztx776Jt_g 提取码:h2fr 图像增广 在5.6节(深度卷积神经网络)里我们提到过,大规模数据集是成功应用深度神经网络的前提。图像增广(image augmentation)技术通过对训练图像做一系列随机改变,来产生相似但又不同的训练样本,从而扩大训练数据集的规模。图像增广的另一种解释是,随机改变训练样本可以降低模型对某些属性的依赖,从而
2022-12-04 21:57:16 87KB “人造太阳”计划 gm io
1
文件夹说明: 1. ./divert -- 全部进行像素反转后的 60000 张训练集图片; 2. ./divert_test -- 全部进行像素反转后的 60000 张测试集图片; 3. ./rotate -- 全部进行图像旋转后的 60000 张训练集图片; 4. ./rotate_test -- 全部进行图像旋转后的 60000 张测试集图片; 5. ./divert_and_rotate -- 像素反转后的 30000 张训练集图片 + 图像旋转后的 30000 张训练集图片; 6. ./divert_and_rotate_test -- 像素反转后的 30000 张测试集图片 + 图像旋转后的 30000 张测试集图片; 7. ./raw -- 手动创建的测试集图片,1-9 没有进行旋转,r1-r9 进行了不同角度的旋转 8. label_train.txt -- 训练集 label 9. label_test.txt -- 测试集label
2022-11-22 11:25:25 135MB pytorch MNIST deep learning
1
使用要求; 1、拥有python环境,建议使用anaconda 2、数据增强方式有以下7种,可设置随机选几种来增强 # 1. 裁剪(需改变bbox) # 2. 平移(需改变bbox) # 3. 改变亮度 # 4. 加噪声 # 5. 旋转角度(需要改变bbox) # 6. 镜像(需要改变bbox) # 7. cutout 3、会根据原始xml文件及增强方式自动生成标注好的xml标签文件及增强后图像
1
nlp-data-augmentation:用于NLP的数据增强。 NLP数据增强
2022-11-05 14:52:43 3.18MB nlp data-augmentation Naturallanguageprocessing
1
适用于处理数据不均衡,通过数据增强扩充数据集,主要功能包含:加雨,雪,雾,倒置,随机黑框遮挡,曝光度,镜像,模糊,旋转,缩小等操作。
2022-10-31 21:17:24 8KB 数据增强 YOLO 数据集 数据扩充
1