深度学习之数据增强

数据增强方法是指将数据集的数量增大十倍以上，从而极大化利用小样本集中的每个样本，使之也可以训练得到一个较好的模型。数据增强方法还可以提高模型的鲁棒性，防止其易在训练中出现过拟合的现象。

常用的数据增强方法有：
1.平移（Shift）变换：对原始图片在图像平面内以某种方式（预先定义或者随机方式确定平移的步长、范围及其方向）进行平移。
2.翻转（Flip）变换：沿竖直或者水平方向对原始图片进行翻转。
3.随机裁剪（Random Crop）：随机定义感兴趣区域以裁剪图像，相当于增加随机扰动。
4.噪声扰动（Noise）：对图像随机添加高斯噪声或者椒盐噪声等。
5.对比度变换（Contrast）：改变图像对比度，相当于在HSV空间中，保持色调分量H不变，而改变亮度分量V和饱和度S，用于模拟现实环境的光照变化。
6.缩放变换（Zoom）：以设定的比例缩小或者放大图像。
7.尺度变换（Scale）：与缩放变换有点类似，不过尺度变换的对象是图像内容而非图像本身（可以参考SIFT特征提取方法），构建图像金字塔以得到不同大小、模糊程度的图像。

随着CNN体系结构具有更多的参数，使得传统的数据增强技术显得不足，促使着新的数据增强方法出现。

RICAP: Random Image Cropping and Patching Data Augmentation for Deep CNNs
该文献中提出了一种新的数据增强技术，称为随机图像裁剪和修补(RICAP)，它随机地对四幅图像进行裁剪，并对它们进行修补，以生成新的训练图像。此外，RICAP混合了四幅图像的类标签，从而产生了类似于标签平滑的优势。
具体可分成三个步骤。首先，从训练集中随机选取四幅图像。第二，图像分别随机裁剪。第三，对裁剪后的图像进行修补以创建新的图像。尽管这一简单的程序，RICAP大幅度增加了图像的多样性，并防止了深度CNN具有许多参数的过拟合。四幅图像的类标签与图像面积成正比。这种标签混合工作在标签平滑，并防止无止境地追求hard 0和1的概率在深CNN使用Softmax函数

新标签的定义：

在该方法中，关键是w和h的选择。

在论文中，作者提出了三种选择方式。
第一种，随机选择，即在整张图范围内随机选择一个点
第二种，中心选择，即定义t，在以图像中心点范围内选择一个点
第三章，角点选择，即定义u，在图像四个角选择一个点

最后附上文章链接：http://proceedings.mlr.press/v95/takahashi18a/takahashi18a.pdf