深度学习数据增强方法总结

前言

在计算机视觉领域中，为了提高深度神经网络模型的泛化性能，更好地适应的环境和工况，在模型的训练过程中常常会用到数据增强算法。这篇博客将总结分享现有的一些数据增强方法。

增强方法	适用领域
Flip	分类、检测、分割
Rotation	分类、分割
Resize	分类、检测、分割
Croping	分类、检测、分割
Noise	分类、检测、分割
Color distortions	分类、检测、分割
Geometric distortions	分类、分割
Random erase、 CutOut	分类、检测
Hide-and-seek	分类、检测
Gridmask	分类、检测
Mixup	分类、检测
CutMix	分类、检测

Flip

对图像进行水平翻转或者垂直翻转。

Rotation

将图像绕着某个点旋转一定的角度。

Resize

对图像进行缩放，以保证模型具有尺度不变性。

Croping

对图像进行随机裁剪，只截取部分图像进行训练（语义分割中经常用到）。

Noise

在图像中加入噪音。

Color distortion

通过在不同颜色空间下调整不同的颜色分量，以对颜色进行改变。

Geometric distortions

对图像进行仿射变换、透视变换或者进行局部扭曲，得到扭曲的图像。

Random erase、CutOut

对图像中随机选取一个矩形区域用特定的值(随机值或者数据均值)进行覆盖。

Hide-and-seek

对图像进行网格划分，选取其中部分网格用特定值进行填充。

Gridmask

与Hide-and-seek类似，也是先对图像划分网格，有规律地、均匀地选取部分区域进行填充。

Mixup

输入两张图像，对两张图像和对应标签进行线性叠加。

CutMix

在Mixup和CutOut的基础上，将图像中的某一区域去除，填充成另一图像。

总结

数据增强的目的提高模型的泛化性能，但要根据实际情况选择合适的数据增强算法，否则将事与愿违。