tensorflow实现inception Net数据增强

在CNN中，为了增大数据量避免模型的过拟合，通常都会对训练数据做数据增强处理，这篇文章主要介绍在Inception Net中是如何做数据增强的，tensorflow官方通过slim已经实现了VGG、Inception、LeNet网络的数据增强的，官网链接如下：https://github.com/tensorflow/models/tree/master/research/slim/preprocessing，Inception Net数据增强主要包括以下几个部分：

1、将图片的像素缩放到[0,1)


2、随机裁剪图片

• image：一个3维的图片tensor，数据的取值范围在[0,1]，即表示已经做了归一化后的图片
• bbox：box的边框，[ymin,xmin,ymax,xmax]，默认是[0,0,1,1]表示使用的是整张图片
• min_object_covered：在随机裁剪图片的时候必须要包括box边框的比例
• aspect_ratio_range：随机裁剪的图片,宽/高的比例需要满足的范围
• area_range：随机裁剪的图片需要占图片的比例
• max_attempts：随机裁剪，尝试的最多次数，超过最大尝试次数返回整张图片

返回的是一张裁剪之后的图片和随机裁剪所选的区域，后面会通过tensorflow对这个区域进行标注，裁剪的图片就是从这个区域中选择的。


3、随机变化图片的参数(翻转、亮度、饱和度、色度、对比度)
在随机变化图片参数的时候，tensorflow提供了一种fast_mode模型，从名字上理解就是快速模型，在fast_mode模型中没有做比较耗时处理的色度变换和对比度变换，由于参数变换的顺序也会影响最终生成的图片，在变换参数的时候也还加入了不同变化顺序。

a、随机水平翻转

b、亮度、饱和度、色度、对比度的随机变换

4、将图片的像素转换到[-1,1]区间内

第一步将图片转换到[0,1]区间内，通过除以255，通过最后两步可以将图片转换到[-1,1]区间内。将图片转换到[0,1]区间，其实就是做了一个0(最小值)/255(最大值)的变化，将图片转换到[-1,1]区间相当于做了128(最小值)/128(最大值)，实验证明[-1,1]区间比[0,1]的准确率要高一些。
注意：对图片的像素区间做了转换之后，在预测图片类标的时候，也需要对图片的像素区间进行相同的缩放。

5、测试


 

文章内的代码若想参考，可访问https://blog.csdn.net/sinat_29957455/article/details/83279741。
了解更多干货文章，可以关注小程序八斗问答