Augmix数据增强方法

augmix是对同一张图片施加不同的数据增强，然后将多张 增强后的图片叠加。
AugMix其实是混合同一个图像的经过不同数据增强得到的图像，而CutMix和MixUp是混合两个不同的图像。AugMix由于是混合同一个图像，相比CutMix和MixUp，其得到的图像更自然一些。

image.png

提出了额外增加一个JS散度一致性损失（Jensen-Shannon Divergence Consistency Loss）来进一步提升模型的稳定性。具体地，对图像做两次AugMix，得到两个不同的增强图像和，然后最小化它们和原始图像的概率分布（模型预测的分类概率）的的JS散度。
一致性约束在半监督学习中常见的方法：对一张未标注的图像做两次不同的数据增强，然后施加一致性约束，使得模型的输出尽量一致。
一致性约束可以考虑加入到后续的研究中。

image.png