UAVI_Seg_Pytorch
UAVI_Seg_Pytorch copied to clipboard
Published
20 hours ago •
yearing1017
yearing1017
实验数据版本调整
此issue记录实验数据的调整
- dataset1：将大图切割为640x640大小，训练集与测试集按顺序划分
- 数据增强：颜色抖动、高斯噪声、随机旋转
- dataset2：将大图切割为320x320大小，选择特征均匀的图像进行测试
- 数据增强：颜色抖动、高斯噪声、随机旋转
从dataset2发现的问题
- 没有将原图的数据加入到训练中
- 高斯噪声进行了两次加强，且差别不大，应删除一倍的数据
- 数据不平衡问题，背景的类别图比重太大，道路&车辆类别图比重小
第三次调整数据，待测试
- dataset3：图像大小320x320，训练、测试集与2相同
- 数据增强：颜色抖动、随机旋转不变；删除一倍的高斯噪声数据
- 加入数据：原图，但要筛除背景类的图像与标签
- 新的数据增强：添加左右、上下翻转的图像与数据，筛除背景类图像
- 新的数据：挑选道路类的图像与标签，采用了Augmentor工具进行增强，筛除背景类图像
- 一个小点：在测试Augmentor工具增强的数据与标签是，会发现在道路、车辆的边缘处像素值 不正确，但是总体的区域类别是对的，不知道是不是可忽略的点
dataset3最新版本调整：
- 原图：1890张320x320大小的原图和lable（有多种纯背景图，不平衡数据）
- 数据增强：基于筛选的937张背景比例小的图像
- 单独的颜色抖动：1874张增强的image和label
- 单独的随机的旋转：1874张增强的image和label
- 单独的左右+上下翻转：1874张增强的image和label
- 加入一些挑选的数据：道路信息明显的图像292张
- 连续增强：上下+左右翻转+随机40-180旋转（此处同时加强的数据292张）
- 设置的spilt为5份，batch_size为6，为方便整除，挑选了26张的车辆信息显著的图像
- 连续增强：上下+左右翻转+随机40-180旋转（此处同时加强的数据26张）
数据量的汇总：共1890+5622+292+26 = 7830张训练图像
dataset4加入dsm高程数据调整记录：
- 原图：1890张320x320大小的原图、lable和dsm数据（有多种纯背景图，不平衡数据）
- 数据增强：基于筛选的937张背景比例小的图像
- 单独的颜色抖动：1874张增强的image、label和dsm数据（后两者返回原数据）
- 单独的随机的旋转：1874张增强的image、label和dsm数据
- 单独的左右+上下翻转：1874张增强的image、label和dsm数据
- 加入一些挑选的数据：道路信息明显的图像292张
- 连续增强：上下+左右翻转+随机40-180旋转（此处同时加强的数据292张）
- 设置的spilt为5份，batch_size为6，为方便整除，挑选了26张的车辆信息显著的图像
- 连续增强：上下+左右翻转+随机40-180旋转（此处同时加强的数据26张）
数据量的汇总：共1890+5622+292+26 = 7830张训练图像
dataset5数据记录：
- 所有的dataset4数据；共7830张；
- 202010new原图：1098张320x320大小的原图、label、dsm数据（已经筛选过）
- 数据增强：基于筛选的1098张背景比例小的图像
- 单独的颜色抖动：1098张增强的image、label和dsm数据（后两者返回原数据）
- 单独的随机的旋转：1098张增强的image、label和dsm数据
- 单独的左右+上下翻转：2196张增强的image、label和dsm数据
数据量的汇总：共7830 + 1098x5 = 13320张训练图像
dataset6数据记录：
- 目的：添加测试的数量，一张测试集大图改为两张
- 所有的dataset4数据；共7830张；
- 202010new原图：1019张320x320大小的原图、label、dsm数据（已经筛选过）
- 数据增强：基于筛选的1019张背景比例小的图像
- 单独的颜色抖动：1019张增强的image、label和dsm数据（后两者返回原数据）
- 单独的随机的旋转：1019张增强的image、label和dsm数据
- 单独的左右+上下翻转：2038张增强的image、label和dsm数据
