图像增强器 这是用于图像文件的简单数据增强工具，旨在与机器学习数据集一起使用。 该工具将扫描包含图像文件的目录，并通过对找到的每个文件执行一组指定的扩充操作来生成新图像。 此过程使开发神经网络时可以使用的训练示例数量成倍增加，并且应显着提高所得网络的性能，尤其是在训练示例数量相对较少的情况下。 从命令行运行实用程序，如下所示： python main.py ... 参数应该是包含要扩充的图像文件的目录的路径。 该实用程序将以递归方式在目录中搜索具有以下任何扩展名的文件： jpg, jpeg, bmp, png 。 transform参数使用下表中列出的代码确定将执行哪种类型的扩充操作： 代码 描述 值示例 fliph 水平翻转 fliph flipv 垂直翻转 flipv no

旋转目标框标注工具 用于yolo、centernet模型的数据集制作与训练 下载配置环境： pip install labelimg pip install pyqt5 运行setup.py

内涵多种增广方法，包括随机裁剪、cutout、镜像翻转、旋转、mosaic等7种方法，对目标检测图像与标签文件同时增广，格式VOC

供应商主数据增强 过事物代码XK01/XK02/XK03/(MK01/MK02/MK03)进入供应商主数据屏幕后，可以看到屏幕上多出了一个按钮：

Support data enhancement when there are few data sets（支持数据集较少的情况进行数据增强，包含随机的多种变化） 这是数据集扩增的一个小工具，在您想使用yolo等目标检测算法时数据集较少的情况下能够进行变化增强图片，丰富您的数据集。 (支持LabelIMg和LabelMe标注的文件) 包括3个python文件 rename_file.py能实现文件的重命名,注意修改文件的路径 DataAugmentforLabelImg.py能实现LabelImg标注后的图片的增强（包括模糊，亮度，裁剪，旋转，平移，镜像等变化） DataAugmentforLabelMe.py能实现LabelMe标注后的图片的增强（包括模糊、亮度、平移、镜像等变化） 注意：一些包的安装是必要的，比如Opencv_python等 ##将您需要增强的图片放在对应的文件夹即可，具体可参考demo给出的图片和xml文件存放路径，您放入即可

深度照明器 Deep Illuminator是设计用于图像重新照明的数据增强工具。 它可用于轻松高效地生成单个图像的多种照明方式。 它已通过多个数据集和模型进行了测试，并已成功改善了性能。 它具有使用创建的内置可视化工具，以预览如何对目标图像进行照明。 增强实例 用法 使用此工具的最简单方法是通过Docker Hub： docker pull kartvel/deep-illuminator 可视化器 有了Deep Illuminator图像后，请运行以下命令以启动可视化器： docker run -it --rm --gpus all \ -p 8501:8501 --entrypoint streamlit \ kartvel/deep-illuminator run streamlit/streamlit_app.py 您将可以在localhost:8501上与它进行交互。

如何从少数训练样本中学习并识别新的类别对于深度神经网络来说是一个具有挑战性的问题。针对如何解决少样本学习的问题，全面总结了现有基于深度神经网络的少样本学习方法，涵盖了方法所用模型、数据集及评估结果等各个方面。具体地，针对基于深度神经网络的少样本学习方法，提出将其分为数据增强方法、迁移学习方法、度量学习方法和元学习方法四种类别；对于每个类别，进一步将其分为几个子类别，并且在每个类别与方法之间进行一系列比较，以显示各种方法的优劣和各自的特点。最后强调了现有方法的局限性，并指出了少样本学习研究领域未来的研究方向。

包含基本所有的高光谱数据处理，包括：高光谱格式转换，高光谱数据增强（旋转、拼接，缩放），高光谱空间-光谱剪切，高光谱数据归一化，高光谱数据显示等等，都是matlab代码，拿来就可以用，写有注释，简单易懂；研究高光谱方向的同学不要错过，我也是苦于网上没有系统的高光谱处理代码，遂总结此篇让后面的同学少走弯路。

自动驾驶-kitti数据点云网络训练数据增强标签 给出了点云道路平面的范围，可以在此范围对点云进行目标增强 也可通过点云与图像的变换矩阵对图像3d目标增强

1. 像素级：HSV增强、旋转、平移、缩放、剪切、透视、翻转等 2. 图片级：MixUp、Cutout、CutMix、Mosaic、Copy-Paste等 3. 基本图片处理方法：将图像的最长边缩放到640，短边填充到640等方法。 可供使用者完成开发，调试，进行图片处理等操作。