【数据增强】MixUp算法

概述

论文链接
mixup可以将不同的图像进行混合，从而扩充训练数据集，以下分别从图片和label的角度，介绍经过mixup操作后，数据和label的变化。

1、混合后的图片

就是将两张图片对应的元素按一定的比例进行相加：

mix_img = w*img1 + (1-w)*img2

2、新生成的图片对应的label

对于新生成的图片，分类和检测的处理方法时不一样的。
（1）分类：以下是原论文给出的计算公式。
示例：可以假设网络预测有三类，[猫，狗，猪]：

• 图像x_i为猫，对应的标签y_i为[1, 0, 0]
• 图像x_j为狗，对应的标签y_j为[0, 1, 0]

取$\lambda$为0.3，那么1-$\lambda$为0.7，根据上式 y^~ = [0.3, 0.7, 0]，这便是新的label
具体代码链接

（2）目标检测：
对于目标检测来说，新生的图片对应的label为两张原图中的box的拼接:
[[img1_box, mix_weight = $\lambda$],
[img2_box, mix_weight = 1-$\lambda$]]
在进行训练是 loss = loss*mix_weight
详情解释链接
精简的代码实现
具体代码链接

参考文献：

• 目标检测中图像增强，mixup 如何操作？
• 数据增强之mixup算法详解