Albumentations: быстрые и гибкие преобразования изображений
Albumentations: Fast and Flexible Image Augmentations
2020-02-24
SCID: 54.1/bmd2yat9
Discuss with AI
Albumentationsкомпьютерное зрениерегуляризация глубокого обученияаугментация изображенийскорость обработки изображений
Figures from the paper
Abstract (AI)
Аугментация данных — широко используемый метод увеличения как объёма, так и разнообразия размеченных обучающих выборок за счёт применения к входным данным преобразований, сохраняющих соответствующие выходные метки. В компьютерном зрении аугментация изображений стала распространённым методом неявной регуляризации, позволяющим противодействовать переобучению моделей глубокого обучения; её повсеместно используют для повышения производительности. Хотя большинство фреймворков глубокого обучения реализуют базовые преобразования изображений, их перечень обычно ограничивается различными вариантами отражения, поворота, масштабирования и обрезки. Кроме того, скорость обработки изображений в существующих библиотеках аугментации различается. Мы представляем Albumentations — быструю и гибкую библиотеку с открытым исходным кодом для аугментации изображений, предлагающую множество различных операций преобразования изображений и одновременно выступающую удобной в использовании оболочкой для других библиотек аугментации. Мы рассматриваем принципы проектирования, определившие реализацию Albumentations, и представляем обзор её ключевых функций и отличительных возможностей. Наконец, мы приводим примеры аугментации изображений для различных задач компьютерного зрения и показываем, что Albumentations работает быстрее других широко используемых инструментов аугментации изображений для большинства операций преобразования изображений.
Key Findings
1
Albumentations разработана с акцентом на гибкость и поддерживает примеры аугментации для различных задач компьютерного зрения.
2
Представлена Albumentations — библиотека с открытым исходным кодом для аугментации изображений, предлагающая широкий набор операций преобразования для компьютерного зрения.
3
Согласно сравнительному тестированию, Albumentations быстрее широко используемых инструментов аугментации для большинства операций преобразования изображений.
4
Библиотека предоставляет удобную оболочку над другими библиотеками аугментации, расширяя возможности стандартных преобразований фреймворков.
5
В работе описаны принципы реализации и ключевые возможности, направленные на повышение удобства и скорости обработки при аугментации.
Research Object
Albumentations — библиотека с открытым исходным кодом для аугментации изображений
Research Subject
быстродействие, гибкость, охват операций преобразования, принципы проектирования и сравнительная производительность библиотеки при аугментации изображений для задач компьютерного зрения
Publication Details
Publication Date
2020-02-24
Journal
Publisher
ISSN
Cited by
2693
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai6
Классификация ImageNet с использованием глубоких сверточных нейронных сетей2017
ImageNet: крупномасштабная иерархическая база изображений2009
Градиентное обучение для распознавания документов1998
PyTorch: библиотека глубокого обучения с императивным стилем программирования и высокой производительностью2019
Обзор методов аугментации изображений для глубокого обучения2019
Улучшение глубокого обучения с помощью универсального увеличения данных2018
Работы, цитирующие эту статью5
Обзор методов аугментации изображений для глубокого обучения2019
Выявление опухолей головного мозга на основе методов глубокого обучения и магнитно-резонансной томографии2023
Глубокая сверточная нейронная сеть для автоматического распознавания разломов по трехмерным сейсмическим наборам данных2021
EmbryoNet: применение глубокого обучения для связывания эмбриональных фенотипов с сигнальными путями2023
Набор данных VEPL: набор данных по зарастанию растительностью коридоров линий электропередачи для семантической сегментации ортомозаик с дронов2023