Task3：数据增强，提升模型表现
Part1 数据增强基础
数据增强的目的是通过人工方式增加训练数据的多样性，从而提高模型的泛化能力，使其能够在未见过的数据上表现得更好。
在之前的代码中我们使用PyTorch框架来加载和增强图像数据：
-
图像大小调整：使用
transforms.Resize((256, 256))将所有图像调整到256x256像素的尺寸，这有助于确保输入数据的一致性。 -
随机水平翻转：
transforms.RandomHorizontalFlip()随机地水平翻转图像，这种变换可以模拟物体在不同方向上的观察，从而增强模型的泛化能力。 -
随机垂直翻转：
transforms.RandomVerticalFlip()随机地垂直翻转图像，这同样是为了增加数据多样性，让模型能够学习到不同视角下的特征。 -
转换为张量：
transforms.ToTensor()将图像数据转换为PyTorch的Tensor格式，这是在深度学习中处理图像数据的常用格式。 -
归一化：
transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])对图像进行归一化处理，这里的均值和标准差是根据ImageNet数据集计算得出的，用于将图像像素值标准化，这有助于模型的训练稳定性和收敛速度。
对于验证集，应该避免使用如随机翻转等可能引入不必要噪音的增强方法。通常，验证集只需要进行必要的预处理，如调整大小和归一化。
Part2 常见数据增强方法
几何变换
-
调整大小:
Resize可以将图像调整到指定的大小。 -
随机裁剪:
RandomCrop和RandomResizedCrop可以随机裁剪图像。 -
中心裁剪:
CenterCrop从图像的中心裁剪出指定大小。 -
五裁剪和十裁剪:
FiveCrop和TenCrop分别裁剪出图像的四个角和中心区域。 -
翻转:
RandomHorizontalFlip和RandomVerticalFlip可以水平或垂直翻转图像。 -
旋转:
RandomRotation可以随机旋转图像。 -
仿射变换:
RandomAffine可以进行随机的仿射变换。 -
透视变换:
RandomPerspective可以进行随机的透视变换。
颜色变换
-
颜色抖动:
ColorJitter可以随机改变图像的亮度、对比度、饱和度和色调。 -
灰度化:
Grayscale和RandomGrayscale可以将图像转换为灰度图。 -
高斯模糊:
GaussianBlur可以对图像进行高斯模糊。 -
颜色反转:
RandomInvert可以随机反转图像的颜色。 -
颜色 posterize:
RandomPosterize可以减少图像中每个颜色通道的位数。 -
颜色 solarize:
RandomSolarize可以反转图像中所有高于阈值的像素值。
自动增强
-
自动增强:
AutoAugment可以根据数据集自动学习数据增强策略。 -
随机增强:
RandAugment可以随机应用一系列数据增强操作。 -
TrivialAugmentWide:提供与数据集无关的数据增强。
-
AugMix:通过混合多个增强操作进行数据增强。
Part3 进阶数据增强方法
Mixup
MixUp是一种数据增强技术，其原理是通过将两个不同的图像及其标签按照一定的比例混合，从而创建一个新的训练样本。
Cutmix
CutMix是一种数据增强技术，它通过将一个图像的一部分剪切并粘贴到另一个图像上来创建新的训练样本。同时，它也会根据剪切区域的大小来调整两个图像的标签。
250
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
