基于Python实现自动化测试作业-图像增广方案【100010921】

> # ♻️ 资源 > **大小：** 90.7MB > **文档链接：**[**https://www.yuque.com/sxbn/ks/100010921**](https://www.yuque.com/sxbn/ks/100010921) > **➡️ 资源下载：**[**https://download.csdn.net/download/s1t16/87484787**](https://download.csdn.net/download/s1t16/87484787) > **注：更多内容可关注微信公众号【神仙别闹】，如当前文章或代码侵犯了您的权益，请私信作者删除！** >  # 自动化测试作业报告 ## Abstract 本次作业使用了auto machine learning领域内近年来新出现的一些成果来实现自动化生成增广测试数据，主要参考了AutoAugment(CVPR2019)[1], RandAugment(CVPR2020)[2], CutOut(CVPR2018)[3] 。不同于常规的人为设计和选用图像增广方法（如镜像变化，旋转，缩放，剪裁，平移，亮度修改，变换颜色etc），我仿照上述几篇paper中提出的在一系列图像增广子策略的搜索空间中通过搜索算法找到适应特定数据集的图像增广方案。如对于CIFAR-10数据集，搜索算法从15个增广方法中获得了25个子策略组合，每个子策略包含三种变换，针对每一个图像都随机的挑选出一个子策略组合，并以一定的概率来决定是否执行子策略中的每种变换。 ## Methods ### 增广方法 | operation | description | range | | --- | --- | --- | | ShearX(Y) | 沿水平（垂直）轴以速率剪切图像 | [-0.3,0.3] | | TranslateX(Y) | 按像素的数量级在水平（垂直）方向上平移图像。 | [-150,150] | | Rotate | 旋转图像若干度 | [-30,30] | | AutoContrast | 通过使最暗的像素最大化图像对比度黑色，最浅的像素为白色。 | | | Invert | 反转图像的像素 | | | Equalize | 均衡图像直方图 | | | Solarize | 反转所有超过幅度阈值的像素 | [0,256] | | Posterize | 将每个像素的位数减少到幅度位数 | [4,8] | | Contrast | 控制图像的对比度。幅度= 0给出灰色 图像，而幅值= 1则给出原始图像。 | [0.1,1.9] | | Color | 调整图像的色彩平衡，方法类似于 彩色电视机上的控件。幅度= 0表示黑色＆ 白色图像，而幅值= 1则给出原始图像。 | [0.1,1.9] | | Brightness | 调整图像的亮度。幅度= 0表示黑色 图像，而幅值= 1则给出原始图像。 | [0.1,1.9] | | Sharpness | 调整图像的清晰度。幅度= 0给出一个 模糊图像，而幅值= 1则给出原始图像 | [0.1,1.9] | | Cutout[3] | 将边长大小像素的随机正方形补丁设置为 灰色。 | [0,60] | | Sample Pairing | 将图像与权重大小的另一幅图像（从同一小批量中随机选择）线性地相加，而无需更改标签（分类）。 | [0, 0.4] | **出于时间和GPU因素（搜索空间大小为（10*11*16)^2）考虑，本次作业没有完整复现auto augment[1]中的搜索算法部分**，原文中作者使用了PPO，本质上是policy gradient，通过训练一个rnn controller，policy gradient的reward为child model在验证集上的accuracy。作者在原文的附录中给出了CIFAR-10,CIFAR-100,ImageNet等数据集上通过强化学习得到的子策略集合以及其概率，本次作业中直接选用了CIFAR数据集相关的参数。 #### CIFAR-10搜索后得到的子策略集合(见dataset.py) 在paper中作者也表明CIFAR和ImageNet这类数据集上更吻合的增广策略是色彩方面变换 ```python self.policies = [ ['Invert', 0.1, 7, 'Contrast', 0.2, 6], ['Rotate', 0.7, 2, 'TranslateX', 0.3, 9], ['Sharpness', 0.8, 1, 'Sharpness', 0.9, 3], ['ShearY', 0.5, 8, 'TranslateY', 0.7, 9], ['AutoContrast', 0.5, 8, 'Equalize', 0.9, 2], ['ShearY', 0.2, 7, 'Posterize', 0.3, 7], ['Color', 0.4, 3, 'Brightness', 0.6, 7], ['Sharpness', 0.3, 9, 'Brightness', 0.7, 9], ['Equalize', 0.6, 5, 'Equalize', 0.5, 1], ['Contrast', 0.6, 7, 'Sharpness', 0.6, 5], ['Color', 0.7, 7, 'TranslateX', 0.5, 8], ['Equalize', 0.3, 7, 'AutoContrast', 0.4, 8], ['TranslateY', 0.4, 3, 'Sharpness', 0.2, 6], ['Brightness', 0.9, 6, 'Color', 0.2, 8], ['Solarize', 0.5, 2, 'Invert', 0.0, 3], ['Equalize', 0.2, 0, 'AutoContrast', 0.6, 0], ['Equalize', 0.2, 8, 'Equalize', 0.6, 4], ['Color', 0.9, 9, 'Equalize', 0.6, 6], ['AutoContrast', 0.8, 4, 'Solarize', 0.2, 8], ['Brightness', 0.1, 3, 'Color', 0.7, 0], ['Solarize', 0.4, 5, 'AutoContrast', 0.9, 3], ['TranslateY', 0.9, 9, 'TranslateY', 0.7, 9], ['AutoContrast', 0.9, 2, 'Solarize', 0.8, 3], ['Equalize', 0.8, 8, 'Invert', 0.1, 3], ['TranslateY', 0.7, 9, 'AutoContrast', 0.9, 1], ] ``` ## Demonstration **可以使用single.py来选择单张图片测试图像增广效果，样例图片放在example-test-pics文件夹下，修改single.py中line 100可以选择图片**，下面多次测试了一张dog的图片增广的效果。       ## Process&Code Introduction train.py为训练（已注释）和在原有/生成验证集测试的主文件 auto_augment.py中复现了paper[1]中的15中增广方法和强化学习策略（未使用） dataset.py为针对使用的CIFAR系列数据集的数据增广文件，已经直接设定了本应由rnn训练得到的子策略集合参数 utils.py和cosine_annealing.py是命令行处理的工具函数和训练时自动调整学习率的scheduler（由于已经注释了训练部分，暂时未使用） single.py是通过单张图片展示增广策略效果 测试时的流程：首先根据命令行中是否有auto-augment参数来决定是否对测试集进行自动增广处理，若是，则调用dataset.py中正则化及图像变换策略选取函数，根据选取的策略去auto-augment中调用相应的增广函数。对测�