关于计算机视觉领域数据增强的一些常用的方法

原文链接： https://blog.csdn.net/zhelong3205/article/details/81810743

为什么需要数据增强 ：

一般而言，比较成功的神经网络需要大量的参数，许许多多的神经网路的参数都是数以百万计，而使得这些参数可以正确工作则需要大量的数据进行训练，而实际情况中数据并没有我们想象中的那么多

 

数据增强的作用 ：

增加训练的数据量，提高模型的泛化能力

增加噪声数据，提升模型的鲁棒性

 

如何获得大量的数据 ：

一种方法是获得新的数据，这种方法比较麻烦，需要大量的成本，而第二种方法则是对数据进行增强，即利用已有的数据比如翻转、平移或旋转，创造出更多的数据，来使得神经网络具有更好的泛化效果。

 

数据增强的分类 ：

数据增强可以分为两类，一类是离线增强，一类是在线增强。

 

离线增强 ： 直接对数据集进行处理，数据的数目会变成增强因子 x 原数据集的数目 ，这种方法常常用于数据集很小的时候

在线增强 ： 这种增强的方法用于，获得 batch 数据之后，然后对这个 batch 的数据进行增强，如旋转、平移、翻折等相应的变化，由于有些数据集不能接受线性级别的增长，这种方法长用于大的数据集，很多机器学习框架已经支持了这种数据增强方式，并且可以使用 GPU 优化计算。

 

常用的数据增强技术 ：

首先定义增强因子 ： 指的是数据做离线增强之后增长的倍数。

 

翻转 ：增强因子 2 或 3 

数据翻转是一种常用的数据增强方法，这种方法不同于旋转 180 这种方法是做一种类似于镜面的翻折。

 

旋转 ： 增强因子 2 到 4

旋转就是顺时针或者逆时针的旋转，注意在旋转的时候，   最好旋转 90 － 180 度否则会出现尺度的问题

缩放 ：增强因子任意

图像可以被放大或缩小。放大时，放大后的图像尺寸会大于原始尺寸。大多数图像处理架构会按照原始尺寸对放大后的图像 进行裁切。我们将在下一章节讨论图像缩小，因为图像缩小会减小图像尺寸，这使我们不得不对图像边界之外的东西做出假设。下面是图像缩放的例子。

裁剪 ：增强因子任意

这种方法更流行的叫法是随机裁剪，我们随机从图像中选择一部分，然后降这部分图像裁剪出来，然后调整为原图像的大小

平移 ： 增强因子任意

平移是将图像沿着 x 或者 y 方向 （或者两个方向） 移动。我们在平移的时候需对背景进行假设，比如说假设为黑色等等，因为平移的时候有一部分图像是空的，由于图片中的物体可能出现在任意的位置，所以说平移增强方法十分有用。

添加噪声 ：增强因子任意 看噪声的类型

过拟合通常发生在神经网络学习高频特征的时候 (因为低频特征神经网络很容易就可以学到，而高频特征只有在最后的时候才可以学到) 而这些特征对于神经网络所做的任务可能没有帮助，而且会对低频特征产生影响，为了消除高频特征我们随机加入噪声数据来消除这些特征。

 

图像增强的效果 ：

图像增强非常必要，我也有过亲自的实验，特别是有些论文中，如果不进行图片增强，就无法达到论文中提到的效果，下面展现一下图片增强的效果示意图 ：

图中 ：C10 和 C100 是没有经过图片增强的，C10+  和 C100+ 是经过了图片增强的，意识到它的神奇的效果了吧  (图片增强应该不是玄学)。