目标检测常用的数据增强方法解析

图像的数据增强

数据增强的方法主要有：

1. 翻转变换 flip
2. 随机修剪 random crop
3. 色彩抖动 color jittering
4. 平移变换 shift
5. 尺度变换 scale
6. 对比度变换 contrast
7. 噪声扰动 noise
8. 旋转变换/反射变换 Rotation/reflection 等等

训练模型根据所用框架可使用框架内部函数，TensorFlow中有着一个image模块专门用于处理图片数据的预处理https://blog.csdn.net/LoseInVain/article/details/81774840，torchvision.transforms是pytorch中的图像预处理包https://blog.csdn.net/u014380165/article/details/79167753
在目标检测训练模型时，除了对图像就数据增强外，还需要对bounding box做相应的转换

比较详细的目标检测数据增强，具体可详看此篇文章https://blog.csdn.net/mzpmzk/article/details/100161187

第三方图像增强库实现

库1，https://github.com/aleju/imgaug

库2（推荐使用）https://github.com/albumentations-team/albumentations

库3，https://github.com/mdbloice/Augmentor

空间几何变换（Geometric Distortions）

• 随机扩展（Random Expand）
• 随机裁剪（Random Crop）
• 随机镜像（Random Mirror）

像素内容变换（Photometric Distortions）

• 随机改变图像亮度（Random Brightness）

• 随机改变对比度、色度、饱和度（Random Contrast, Hue, Saturation）

• 随机改变颜色通道（Swap Channels）

• 随机噪声扰动（Random Lighting Noise）