CNN笔记(1)---数据扩充与数据预处理

1.Data Augmentation

1.1 简单的数据扩充

图像水平翻转
随机扣取
尺度变换和旋转
色彩抖动：在RGB颜色空间对原有RGB色彩分布进行轻微扰动
          也可以在HSV空间随机改变图像原有的饱和度和明度
          （改变S和V通道的值）
          或对色调进行微调（小范围改变H的值）

1.2 特殊的数据扩充方式

1.2.1 Fancy PCA

• 对所有训练数据的R,G,B像素值进行PCA,得到对应特征向量$p_i$和特征值$\lambda_i(i=1,2,3)$
• 根据特征向量和特征值计算一组随机值$[p_1,p_2,p_3],[\alpha_1\lambda_1,\alpha_2\lambda_2,\alpha3\lambda_3]^T$
• 将其作为扰动加到原像素值，其中$\alpha_i$为取自以0为均值，标准差为0.1的高斯分布的随机值
• 每经过一轮训练(1个epoch)，$\alpha_i$重新随机选取，重复上述操作进行扰动

5.2.2 监督式数据扩充

适用于高层语义图像分类任务

• 先训练一个初始分类模型
• 生成对应特征图/热力图：指示图像区域与场景标记间的相关概率。
• 可根据此概率映射回原图选择较强相关的图像区域进行图像扣取

6.数据预处理

中心式归一化（mean normalization）

CNN 中，计算训练集图像像素均值，在处理训练集，验证集和测试集图像时分别减去该均值。

原理：默认自然图像是一类平稳的数据分布，每个样本上减去数据的统计平均值（逐样本计算），移除共同部分

参考文献：解析卷积神经网络—深度学习实践手册