Preprocessing的一些工作

无论是分类任务还是检测任务，数据集的制作一直是一个令人头疼的问题，数据集的制作既耗费掉大量的时间，又耗费了大量的精力。 为解决这一难题，我将在这里以口罩识别（人脸戴口罩OROR不带口罩）为例子

近期分享给大家一个快速制作人脸识别数据集制作的方法，此项目分为MATLAB版和Python版，这二者都有目录式的数据集制作和Voc数据集的制作，在这里为大家着重介绍逻辑结构设计，代码部分为会更新至仓库

近期写了一些关于制作数据集的博客，在这里将系统性从逻辑结构构造角度出发进行数据集的制作，网络上关于VOC2COCO数据集的开源代码比比皆是，我门就以VOC数据集的制作为例子为大家介绍如何高效完成数据集

根据西瓜书上所述：数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已 ，因此在进行机器学习上，我们往往需要大量的优质数据集，为此我们尝试了各种数据扩增手段

在日常的目标检测的任务中，我们常常会遇到小目标需要进行检测。这里的“小目标分“两类： 1. 小目标可能是由目标距离摄像头距离较远导致目标成像的像素较小 2. 可能是由于目标本身就小造成的。

为了解决样本不足的情况下，我们往往会采用数据扩增提升数据数量，但是数量不能够一直无限制的提升，不然会导致样本容错空间不足，泛化误差高。下面为将分别讲解需要进行标签扩增与不需要进行标签扩增这两

前言   在常规的监控相机中红外探测器送出来的是16位的单通道图像,因为要送显才被转化成8位单通道。看见8位的单通道，我不免想起了灰度图（8位单通道图像），查阅资料文献有如下结论： 红外图象 是获取物