添加噪聲后圖像測試精度提高

Question

我正在使用不同方面的面部圖像進行實驗。 第一個數據集只是普通人臉，我的第二個數據集是通過添加不同級別的噪聲產生的遮擋。 第一個數據集由方差為 0.025 的噪聲組成，第二個數據集包含方差為 0.05 的圖像。 第三個數據集的圖像方差為 0.1。 因此，我使用線性 SVM 對它們進行了訓練和測試，其中方差水平，我期望測試精度下降到 go。 當我用正常人臉圖像進行測試時，測試精度為：正常人臉圖像為 96.59，模擬遮擋圖像為 48.04，方差值為 0.025 時為 95.01，方差值為 0.05 時為 93.65。 到目前為止，一切看起來都很合理，但是對於 0.1 的方差，im 得到 95.46，這高於方差為 0.05 的圖像噪聲。

我原以為最后一個值會低於 95.01。

我對每個數據集訓練都使用相同的 model：

SVC(kernel='linear',  C=0.00006)

我想知道為什么會發生這樣的事情，什么是合理的解決辦法？ 鑒於我想使用相同的正則化參數來訓練每個數據集。

我如何以百分比級別向圖像添加噪聲：

    def generate_noisy_image(x: np.array, variance: float) -> np.array:
        noise = np.random.normal(loc=0, scale=variance, size=x.shape)
        return x + noise

    def load_dataset(path, max_num):
        imagesList = listdir(path)
        loadedImages = []
        for root, dirs, files in os.walk(path):
            for i, name in enumerate(files):
                if i == max_num:
                    break
            print(image)
            img = PImage.open(path + image)
            img.resize((81, 150))
            arr = np.array(img)
            noise_image = generate_noisy_image(x = arr, variance=0.1)
            noise_image = Image.fromarray(noise_image)
            noise_image = noise_image.convert("L")
            loadedImages.append(arr)
            #noise_image.save('C:/Users/Noise-Dataset/Noise_Value_10/'+person_folder+filepath, 'JPEG')
        return loadedImages
    
    
    noise_dataset_1 = load_dataset('C:/Users/Noise-Dataset/Noise_Value_10', 50) 

    X_train_n1, X_test_n1, y_train_n1, y_test_n1 = train_test_split(
            noise_dataset_1_array, noise_1_target, test_size=0.49, random_state=0)


def train(clf, X_train, X_test, y_train, y_test):
    
    clf.fit(X_train, y_train)
    print ("Accuracy on training set:")
    print (clf.score(X_train, y_train))
    print ("Accuracy on testing set:")
    print (clf.score(X_test, y_test))
    
    y_pred = clf.predict(X_test)
    
    print ("Classification Report:")
    print (metrics.classification_report(y_test, y_pred))
    print ("Accuracy:")
    print (metrics.accuracy_score(y_test, y_pred))

svc_1 = SVC(kernel='linear', C=0.00006)
train(svc_1, X_train_n1, X_test_n1, y_train_n1, y_test_n1 )

Answer 1

我以前做過類似的事情，增強圖像實際上提高了准確性。 在這里我假設你正在做一個分類任務，比如性別檢測？ 你的結果背后的原因是你的原始面部圖像在預測 class 中可能有不同程度的噪聲（例如，大多數男性圖像有噪聲，女性圖像噪聲較小），所以在檢測 output 時，model 使用低級線索，即噪聲作為特征。 您可以將 model 視為“懶惰”，尤其是在這里您沒有使用 DNN，因此 model 更可能是“懶惰”並依賴於低級線索。 通過添加噪聲，您可以使 model 更難依賴信息，因為現在所有圖像都有噪聲，因此 model 開始尋找高級線索，在您的情況下，這些線索可能會提供 model 更高的預測能力/准確性。