[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