[目标检测]-------mosaic、mixup、cutout、cutmix数据增强比较

数据增强简介和比较

Mosaic数据增强: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。这样做的好处是丰富了图片的背景,并且四张图片拼接在一起变相地提高了batch_size,在进行batch normalization的时候也会计算四张图片,所以对本身batch_size不是很依赖,单块GPU就可以训练YOLOV4。
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,分类的结果不变;
CutMix:就是将一部分区域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。

上述三种数据增强的区别:
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。

优点
<1>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;
<2>保留了regional dropout的优势,能够关注目标的non-discriminative parts;
<3>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;
<4>不会有图像混合后不自然的情形,能够提升模型分类的

你可能感兴趣的:(目标检测)