【目标检测】39、一文看懂计算机视觉中的数据增强

计算机视觉任务在深度神经网络的推进下，取得了很好的效果，深度神经网络能够学习复杂的多级特征，从而解决不同的视觉任务。现在的深层网络之所以能够取得很好的效果，一个很重要的原因在于其参数量巨大，能够很好的学习到复杂的特征表达，但这也同样容易导致过拟合，影响模型的对不同场景的泛化能力。

故此，出现了很多不同的正则化方法，如数据增强，通过对输入数据做镜像、扣取、翻转、旋转、随机擦除等操作，用于增强模型的鲁棒性。一些常用的数据增强方法介绍如下。

现有的数据增强的方法一般可以分为如下三个类别，前两类主要是让训练数据更好的适应真实世界的情况，最后一种是人为的丢弃一些特征，目标遮挡、覆盖等难处理的情况：

• Spatial transformation：基础的数据增强方法，如 random scale、crop、flip、random rotation 等
• Color distortion：亮度、通道、hue 等变换
• Information dropping or mix：random erasing、cutout、HaS、cutmix、mixup、copy-paste、grid-mask、fence-mask 等

代码大都可以在这里找到：https://github.com/open-mmlab/mmdetection/blob/master/mmdet/datasets/pipelines/transforms.py

目前几个用的比较多的方法：

• Cutout：随机丢弃图中的一个固定大小的正方形区域，并赋予 0
• Random erasing：随机擦除一个不固定大小和纵横比的矩形区域，并赋予 [0,255] 中的随机值
• Mixup：对两幅图像进行加权求和
• Cut-Mix：将图像 A 的某个小块粘贴到图像 B 的某个位置上去
• Mosaic：将 4 个图像进行翻转、缩放、色彩变换，然后拼接成一个图形，丰富图像的上下文信息，降低对 batch 大小的需求
• Copy-paste：将图像上的实例抠图下来，经过缩放、旋转等操作后粘贴到其他经过缩放、旋转的图像上去
• Grid-mask：对图像上进行有规律的多个正方形区域抠除，等间距、等大小的正方形框抠除
• Fence-mask：在图像上有规律的布上多个平行的横条和纵条，类似于网格的形状抠除

一、Cutout

论文：Improved Regularization of Convolutional Neural Networks with Cutout

1、动机：

• 主要是为了对抗目标检测中的目标遮挡问题
• 使用随机丢弃某些图像块的方法，来模拟物体被遮挡的情况

2、灵感来源：Cutout 的灵感其实是来源于 dropout 方法（随机丢弃某些神经元），但有两点不同，具体示意如图 1 所示：

• 第一点是只在 CNN 输入层丢弃某些单元
• 第二点是丢弃连续的部分，而非丢弃单独的像素点
• Cutout 的早期版本其实是 maxdrop，随机移除响应最大的区域

3、Cutout 具体做法：

• 在输入图像中随机选择一个像素位置，作为中心点，然后放置一个 fixed-size 一个小正方形，在这个区域内设置像素都为 0（为什么固定大小，因为作者发现固定大小的方法效果也能达到很好）
• 每个图像有 50% 的概率被使用 cutout

4、Cutout 的优点：

• 能够让网络更关注图像的全局信息，不过分关注某些位置
• 可以在 CPU 上进行，可以和其他数据增加方法配合使用

5、Cutout 的效果：

• 实验数据集：CIFAR-10/CIFAR-100
• 小正方形大小的选择：16x16 在 CIFAR-10 效果最优，8x8 在 CIFAR-100 效果最优，如图 3，也可以理解为随着类别的增加，cutout 的尺寸要随之减小，因为类别增加了，细小的纹理等更重要了。

二、Random Erasing

论文：Random Erasing Data Augmentation

代码：https://github.com/zhunzhong07/Random-Erasing

1、动机

目标间的相互遮挡是一个很普遍的现象，所以，为了应对遮挡带来的问题，Random Erasing 被提出，该方法通过随机选择一个随机大小的矩形区域，并给该区域赋予随机数值来实现。以此来模拟目标被遮挡的场景，比 cutout 的相同大小的抠图更灵活多变，且模拟引入了噪声。

2、具体方法

• 首先设定图像被随机擦除的概率 $p$
• 在整幅图像中随机选择一个点 $P$，随机设置随机擦除的面积大小 $S_e$ 和擦除位置的纵横比 $r_e$
• 在随机擦除的位置，给每个像素随机赋 [0,255] 之间的值

3、对不同任务使用随机擦除的可视化效果

4、和 Random Croping 的对比

5、效果对比

5、优点：

• 不引入多余的参数，可以嵌入任何 CNN 模型中
• 和已有的数据增强方法是相互补充的，可以结合起来使用
• 在分类、检测、行人 reID 上都能提升效果
• 能够提升模型的鲁棒性

三、Mixup

论文：Mixup: beyond empirical risk minimization

1、动机

现有的数据增强方法，大都是在单个图像内部进行丢弃，没有多个图像之间的融合。

2、方法

对 batch 中的所有图像，两两进行加权加和，进行类间-类内的图像混合，为网络引入了更多不确定因素

在 mini-batch 内部：

• 对输入图像进行加权线性加和，作为输入图像
• 对真是 label 进行加权线性加和，作为预测目标

• 其中：KaTeX parse error: Undefined control sequence: \labmda at position 1: \̲l̲a̲b̲m̲d̲a̲ ̲~(\alpha, alpha…

优点：

• 思路简单、实现方便
• 提升了模型的鲁棒性和泛化性
• 模型训练更稳定（如图 2 所示，梯度模值小，训练更稳定）

四、CutMix

论文：CutMix: Regularization Strategy to Train Strong Classififiers with Localizable Features

1、动机：

虽然 CNN 会过拟合，但总的来说还是 data-angry 的，也就行需要更丰富的数据，别的方法擦除某些区域但也让网络接收的信息更少了，所以能不能在擦除的同时，用别的特征补上去呢？

2、方法：

CutMix 可以看做 cutout 的优化，也就是擦除图像中的某个随机区域，然后使用同 batch 中的其他图像的区域来填补上去，真值 label 也同样被 mixed。

CutMix 的过程如下面公式所示：

• KaTeX parse error: Undefined control sequence: \timesH at position 15: M\in {0, 1}^{W\̲t̲i̲m̲e̲s̲H̲}，也就是非 A 即 B 的过程
• $\lambda$ 是结合比率，从 $\text{Beta}(\alpha ,\alpha )$ 得到，且 $\alpha =1$，也就服从标准 (0, 1) 分布

CutMix 的过程如下：$(x_A,y_A)$ 和 $(x_B,y_B)$ 表示两个训练样本的图像和真值

• 首先，选定 cropping region，用 region box 的坐标来表示 $B=(r_x,r_y,r_w,r_h)$，该 box 坐标根据如下方式来采样：
  
• 接着，根据上面选定的 box 位置，选定矩形 mask $M\in \{0,1{\}}^{W\times H}$，其纵横比和原图纵横比相同，在 bbox 内部，用 0 填充
• 在训练过程中，会在 batch 里边随机选择两个训练样本进行 CutMix。

CutMix 方法伪代码：

3、CutMix 学到了什么？

CutMix 提出的动机在于图像分类主要依赖于目标的全局特征，

• Cutout：能够让网络关注那些具有区分力的区域，如 Saint Bernard 的腹部，但由于丢弃了一些像素，所以效率较低
• Mixup：虽然使用了所有的 pixel，但引入了一些干扰，从可视化结果可以看出，特征图是比较混乱的，不太明显，且这种目标混合的操作对分类和定位来说都是不太友好的
• CutMix：基于 Cutout，从特征图中可以看出两个目标的定位都是比较清晰的，表 2 展示了三者的不同

4、效果

五、Mosaic

Mosaic 数据增强是在 YOLOv4 中提出来的，其实也是基于 Cutmix 的一个改进版本，能同时引入 4 个图像的信息。将 4 个训练图像进行混合，引入 4 种不同的上下文信息（CutMix 是混合 2 个图像），让网络能得到更多额外的上下文信息，而且，BN 也在每层接受了来自 4 个图像的信息，能够降低 “大 batch size” 的需求。

操作：

• 选择 4 个图像，随机缩放、翻转、色域变化
• 将随机缩放后的图像进行随机顺序拼接，对过小的进行丢弃

优势：

大大丰富了检测数据集，特别是随机缩放增加了很多小目标，让网络的鲁棒性更好

五、Copy-paste

论文：Simple Copy-Paste is a Strong Data Augmentation Method for Instance Segmentation

出处：CVPR20221(Oral)

1、动机

如前所述，神经网络是 data-hungry 的，但人工标注费时费力，且之前的 cutmix、mosaic 等方法，难以适用于实例分割，Copy-paste 能够使用简单的方法，将实例扣下来并粘贴到别的图像上，很方便的解决了实例分割（也可用于有实力分割标签的目标检测）的数据增强问题。

2、方法

• 对所有的图像使用随机尺度抖动好随机水平翻转
• 随机在一些图像上选择一些实例，然后粘贴到其他图像上去，混合的时候会使用高斯滤波将边缘平滑
• 移除完全被遮挡的目标的真实，给那些部分遮挡的目标更新 mask 和 bbox

处理后的图像是什么样子的？说实话和真实场景的图像也很不一样，如图 2 所示，长颈鹿和人出现在一张图里了，而且尺度和平常的有很大不同。

3、效果

六、Grid-Mask

论文：GridMask Data Augmentation

1、动机

Grid-mask 方法和 cutout、HaS 等方法类似，都是通过丢弃一部分图像信息来让网络更加鲁棒。但是作者认为移除的图像大小难以把控，移除过多会导致信息丢弃过多，保存的部分可能不足以支撑后续任务，移除过少会使得网络不够鲁棒，所以移除信息的多少难以把控。

Cutout 和 random erasing 方法，都是随机移除图中的某一个小块，有很大的随机性，如果移除的好则效果好，如果移除的效果不好，则会影响模型效果。

HaS 将图像切分为几个小块，然后随机移除其中的多个小块，但仍可能出现某些地方移除过多，有些地方移除过少的情况。

所以作者提出了均匀移除图像块的方法：Grid-mask

2、方法

• 设定每个图像被进行 grid-mask 的概率 $p$，随着训练的进行概率会增加到最大值 $P$，这样比整个训练过程都使用相同的 $p$ 效果好一些
• 假设输入图像为 $x$
• Binary mask 为 $M\in \{0,1{\}}^{H\times W}$，如果为 1，则保留该位置的图像像素，否则移除。$M$ 的形状如图 3 所示，是一个网格状的，使用 4 个参数来表示：$(r,d,{\delta }_x,{\delta }_y)$，每个 mask 就像图 4 中的一个小块，这四个参数都是随机的，对不同的任务需要实验来确定如何选定
• 经过 grid-mask 后为 $x=x\times M$

3、效果

① 和其他方法的错误率对比

② 对不同模型添加 grid-mask 的效果

③ p 的影响

七、Fence-Mask

1、动机

Information drop 方法中，如何平衡丢弃部分和保留部分是很重要的，尤其是在复杂的真实场景，目标的大小是不确定的，随机的生成丢弃区域可能会导致重要信息丢失，误导模型。

所以作者提出了一个有规律且稀疏的数据增强方法——fence-mask，虽然打破了图像中像素的连续性，但是可以接受的。

图 2 展示了细粒度的图像分类中，不同目标的差别很小，如果把这些主要差别丢失了，则会严重影响结果。

2、方法

Fence-mask 是一个类似篱笆的形状，其 drop 的区域（或者说模拟遮挡的区域，因为有透明度）是稀疏且有规律的，整幅图像被均匀的遮挡，如图 3 所示。

Fence-mask 的参数：$(W_{min},W_{max},G_{min},G_{max},F)$

• 横向栅栏的宽度：$W_x$
• 纵向栅栏的宽度：$W_y$
• 横向栅栏间隔：$G_x$
• 纵向栅栏间隔：$G_y$
• 随机旋转角度：0°~30°
• F：fence 填充的 RGB 值，一直为 0

给定各个参数的范围，就可以从范围中随机拿值来组成对应的栅栏：

3、效果