每批中大 class 的抽样和小 classes 的扩充

Question

假设我们有 2 个class，一个小，一个大。

我想使用类似于 ImageDataGenerator 的数据扩充对于小 class，并从每个批次中抽样，每个批次都是 平衡的 。（从次要 class- 对主要 class- 抽样的扩充）。

此外，我想继续使用 image_dataset_from_directory（因为数据集不适合 RAM）。

Answer 1

我没有完全理解这个问题。伪代码会起作用吗？也许 tf.data.Dataset 上有一些运算符足以解决你的问题。

ds = image_dataset_from_directory(...)

ds1=ds.filter(lambda image, label: label == MAJORITY)
ds2=ds.filter(lambda image, label: label != MAJORITY)

ds2 = ds2.map(lambda image, label: data_augment(image), label)

ds1.batch(int(10. / MAJORITY_RATIO))
ds2.batch(int(10. / MINORITY_RATIO))

ds3 = ds1.zip(ds2)

ds3 = ds3.map(lambda left, right: tf.concat(left, right, axis=0)

Answer 2

您可以使用 tf.data.Dataset.from_generator 来更好地控制数据生成，而无需将所有数据加载到 RAM 中。

def generator():
 i=0   
 while True :
   if i%2 == 0:
      elem = large_class_sample()
   else :
      elem =small_class_augmented()

   yield elem
   i=i+1
  

ds= tf.data.Dataset.from_generator(
         generator,
         output_signature=(
             tf.TensorSpec(shape=yourElem_shape , dtype=yourElem_ype))

此生成器将在两个类之间更改样本，您可以添加更多数据集操作（批处理、随机播放..）

Answer 3

怎么样 sample_from_datasets 功能？

import tensorflow as tf
from tensorflow.python.data.experimental import sample_from_datasets

def augment(val):
    # Example of augmentation function
    return val - tf.random.uniform(shape=tf.shape(val), maxval=0.1)

big_dataset_size = 1000
small_dataset_size = 10

# Init some datasets
dataset_class_large_positive = tf.data.Dataset.from_tensor_slices(tf.range(100, 100 + big_dataset_size, dtype=tf.float32))
dataset_class_small_negative = tf.data.Dataset.from_tensor_slices(-tf.range(1, 1 + small_dataset_size, dtype=tf.float32))

# Upsample and augment small dataset
dataset_class_small_negative = dataset_class_small_negative \
    .repeat(big_dataset_size // small_dataset_size) \
    .map(augment)

dataset = sample_from_datasets(
    datasets=[dataset_class_large_positive, dataset_class_small_negative], 
    weights=[0.5, 0.5]
)

dataset = dataset.shuffle(100)
dataset = dataset.batch(6)

iterator = dataset.as_numpy_iterator()
for i in range(5):
    print(next(iterator))

# [109.        -10.044552  136.        140.         -1.0505208  -5.0829906]
# [122.        108.        141.         -4.0211563 126.        116.       ]
# [ -4.085523  111.         -7.0003924  -7.027302   -8.0362625  -4.0226436]
# [ -9.039093  118.         -1.0695585 110.        128.         -5.0553837]
# [100.        -2.004463  -9.032592  -8.041705 127.       149.      ]

在 sample_from_datasets 的 weights 参数中设置类之间所需的平衡。

因为它被注意到 Yaoshiang, 最后一批不平衡，数据集长度不同。这可以通过

来避免

# Repeat infinitely both datasets and augment the small one
dataset_class_large_positive = dataset_class_large_positive.repeat()
dataset_class_small_negative = dataset_class_small_negative.repeat().map(augment)

而不是

# Upsample and augment small dataset
dataset_class_small_negative = dataset_class_small_negative \
    .repeat(big_dataset_size // small_dataset_size) \
    .map(augment)

但是这种情况下，dataset是无限的，epoch的batch数还要进一步控制。

Answer 4

可以使用tf.data.Dataset.from_tensor_slices分别加载两类图片，对少数class进行数据扩充。现在您有两个数据集，将它们与 tf.data.Dataset.sample_from_datasets.

组合起来

# assume class1 is the minority class
files_class1 = glob('class1\*.jpg')
files_class2 = glob('class2\*.jpg')

def augment(filepath):
    class_name = tf.strings.split(filepath, os.sep)[0]
    image = tf.io.read_file(filepath)
    image = tf.expand_dims(image, 0)
    if tf.equal(class_name, 'class1'):
        # do all the data augmentation
        image_flip = tf.image.flip_left_right(image)
    return [[image, class_name],[image_flip, class_name]]

# apply data augmentation for class1
train_class1 = tf.data.Dataset.from_tensor_slices(files_class1).\
map(augment,num_parallel_calls=tf.data.AUTOTUNE)
train_class2 = tf.data.Dataset.from_tensor_slices(files_class2)

dataset = tf.python.data.experimental.sample_from_datasets(
datasets=[train_class1,train_class2], 
weights=[0.5, 0.5])

dataset = dataset.batch(BATCH_SIZE)

每批中大 class 的抽样和小 classes 的扩充

Sampling for large class and augmentation for small classes in each batch

image-processing

sampling

keras

tensorflow

data-augmentation