使用SMOTE对图像数据进行过采样

Question

我正在用CNNs做二进制分类，数据是不平衡的，其中正医学图像:负医学图像= 0.4 : 0.6。因此，我想在训练之前使用SMOTE对阳性的医学图像数据进行过采样。但是，数据的维度是4D (761,64,64,3)，这会导致错误

Found array with dim 4. Estimator expected <= 2

所以，我重塑了我的train_data：

X_res, y_res = smote.fit_sample(X_train.reshape(X_train.shape[0], -1), y_train.ravel())

它工作得很好。在将其提供给CNNs之前，我通过以下方法重塑它：

X_res = X_res.reshape(X_res.shape[0], 64, 64, 3)

现在，我不确定这是不是过采样的正确方式，重塑操作符会改变图像的结构吗？

Answer 1

我也遇到过类似的问题。我使用了重塑功能来重塑图像的形状(基本上是扁平化图像)

X_train.shape
(8000, 250, 250, 3)

ReX_train = X_train.reshape(8000, 250 * 250 * 3)
ReX_train.shape
(8000, 187500)

smt = SMOTE()
Xs_train, ys_train = smt.fit_sample(ReX_train, y_train)

虽然这种方法慢得可怜，但有助于提高性能。

Answer 2

当你做8000x250* 250 *3的重塑时，learning.

• 8000x250x250x3只是一堆数字，除非你使用某种序列网络来教导它的bad.

• oversampling不利于图像数据，否则你可以做图像增强(20个裁剪，引入噪声像高斯模糊，旋转，平移等)

Answer 3

• First展平图像对此展平的图像数据及其标签应用SMOTE

将展平的图像重塑为RGB图像

from imblearn.over_sampling import SMOTE
    
sm = SMOTE(random_state=42)
    
train_rows=len(X_train)
X_train = X_train.reshape(train_rows,-1)
(80,30000)

X_train, y_train = sm.fit_resample(X_train, y_train)
X_train = X_train.reshape(-1,100,100,3)
(>80,100,100,3)