文件名称：AutoAugment-Urban:由Philip Popien实施并在城市图像上进行测试的PyTorch AutoAugment策略
文件大小：13.56MB
文件格式：ZIP
更新时间：2024-05-28 21:38:31
deep-learning JupyterNotebook
自动增广-从数据中学习增广策略 非官方实施ImageNet的，由博学CIFAR10和SVHN增强政策 ，在此描述的。 2018年6月18日更新：更改了许多数量级的顺序和功能。 现在，更高的幅度始终会以更高的强度应用操作，并且会随机采样符号（例如，向左或向右旋转20度）。 这似乎与本文中的处理方式更加一致（从图中判断）。 已要求作者提供更多详细信息，并在我了解更多信息后立即进行更新。 已在Python 3.6上测试。 需要枕头> = 5.0.0 例子 from autoaugment import ImageNetPolicy image = PIL . Image . open ( path ) policy = ImageNetPolicy () transformed = policy ( image ) 要查看应用于图像的所有操作和幅度的示例，请查看 。 作为PyTorch变换的
【文件预览】：
AutoAugment-Urban-master
----figures()
--------ImageNet_results.png(32KB)
--------CIFAR10_results.png(40KB)
--------Figure2_Paper.png(625KB)
--------FGVC_results.png(35KB)
--------CIFAR100_results.png(25KB)
--------SVHN_results.png(24KB)
----2.jpg(70KB)
----data()
--------gothic_data()
--------cifar_data()
----AutoAugment.ipynb(8.35MB)
----LICENSE(1KB)
----1.JPG(342KB)
----README.md(4KB)
----autoaugment.py(10KB)