image-processing - 用于数据增强的 Keras 最佳图像数据生成器参数

Question

我正在使用 Keras 进行面部表情识别，我使用的数据集没有大量可用数据，因此我将使用 Keras 的图像预处理进行数据增强。

我想知道 ImageDataGenerator 生成正常人脸的最佳参数，我可以用它来训练我的神经网络。

这是我用于数据增强的代码:

def data_augmentation(subdir):

    datagen = ImageDataGenerator(
        featurewise_center=False,
        samplewise_center=False,
        featurewise_std_normalization=False,
        samplewise_std_normalization=False,
        zca_whitening=False,
        rotation_range=30,
        width_shift_range=0.2,
        height_shift_range=0.2,
        horizontal_flip=True,
        vertical_flip=False)

    print ("\nData augmentation...")
    print ("\nProcess...")

    for file in glob.glob(subdir+"*/*.jpg"):
        img = load_img(file)
        print ("\nProcessing..." + str(file))
        x = img_to_array(img)
        x = x.reshape((1,) + x.shape)

        i = 0
        for batch in datagen.flow(x, batch_size=1, save_to_dir='data_aug', save_prefix='Fig', save_format='jpg'):
            i += 1
            if i > 20:
                break

这是 ImageDataGenerator 的所有参数

keras.preprocessing.image.ImageDataGenerator(featurewise_center=False,
                samplewise_center=False,
                featurewise_std_normalization=False,
                samplewise_std_normalization=False,
                zca_whitening=False,
                zca_epsilon=1e-6,
                rotation_range=0.,
                width_shift_range=0.,
                height_shift_range=0.,
                shear_range=0.,
                zoom_range=0.,
                channel_shift_range=0.,
                fill_mode='nearest',
                cval=0.,
                horizontal_flip=False,
                vertical_flip=False,
                rescale=None,
                preprocessing_function=None,
                data_format=K.image_data_format())

这是使用我的代码生成的图像示例:









如您所见，图像失真并且不足以训练我的网络。

我想知道 ImageDataGenerator 对于人脸的最佳参数是什么，或者有没有更好的数据增强方法？

Answer 1

如果您只处理人脸，请查看本文:
http://www.openu.ac.il/home/hassner/projects/augmented_faces/
它可以从一张人脸图像生成 30 张图像。
您也可以在 python 中使用虚拟化妆实现。它们易于使用且成功。