数据增强之Mosaic数据增强的优点、Mixup,Cutout,CutMix的区别

一、Mosaic data augmentation

Mosaic数据增强方法是YOLOV4论文中提出来的，主要思想是将四张图片进行随机裁剪，再拼接到一张图上作为训练数据。
这样做有以下几个优点：
1、增加了数据的多样性，丰富了图片的背景。
2、增加了目标个数
3、四张图片拼接在一起变相地提高了batch_size，在进行BN操作时的时候可以更好的统计均值和方差

二、Mixup,Cutout,CutMix的区别

Mixup: 将随机的两张样本按比例混合，分类的结果按比例分配；
Cutout: 随机的将样本中的部分区域cut掉，并且填充0像素值，分类结果不变
CutMix: 将一部分区域cut掉但不填充0像素而是随机填充训练集中的其他数据的区域像素值，分类结果按一定的比例分配

注：CutMix效果最好

上述三种方法的区别：

• cutout和cutmix就是填充区域像素值的区别；
• mixup和cutmix是混合两种样本方式上的区别；
• mixup是将两张图按比例进行插值来混合样本，cutmix是采用cut部分区域再补丁的形式去混合图像，不会有图像混合后不自然的情形。

CutMix的优点：

• 在训练过程中不会出现非信息像素，从而能够提高训练效率；
• 保留了regional dropout的优势，能够关注目标的non-discriminative parts；
• 通过要求模型从局部视图识别对象，对cut区域中添加其他样本的信息，能够进一步增强模型的定位能力；
• 不会有图像混合后不自然的情形，能够提升模型分类的表现；
• 训练和推理代价保持不变。

推荐文章：https://zhuanlan.zhihu.com/p/405639109