数据增强-Data Augmentain

---

---

一、Data Augmentation

随着人工智能和计算机算力的持续跟进和发展，海量数据已经成为各行各业追逐的资源，但数据量仍然不能完全满足和适应AI的发展，深层神经网络需要大量的训练数据才能获得比较理想的结果。在数据量有限的情况下，往往达不到预期的优化效果，在这种情况可以通过数据增强（Data Augmentation）来增加训练样本的多样性， 提高模型鲁棒性，避免过拟合。通过对训练图片进行变换可以得到泛化能力更强的网络，更好的适应应用场景。

二、Data Augmentation分类

数据增强可以分为两类，一类是离线增强，一类是在线增强。
（1）离线增强 （offline augmentation）： 直接对数据集进行处理，数据的数目会变成增强因子 * 原数据集的数目 ，这种方法常常用于数据集数量少的情况。此列数据增强会成倍增加数据量。
（2）在线增强（online augmentation） ： 这种增强的方法用于，获得 batch 数据之后，然后对这个 batch 的数据进行增强，典型的数据增强方法有翻转（Flip），旋转（Rotat ），缩放（Scale），随机裁剪或补零（Random Crop or Pad），色彩抖动（Color jittering），加噪声（Noise），由于有些数据集不能接受线性级别的增长，这种方法主要用于大的数据集，很多机器学习框架已经支持了这种数据增强方式，并且可以使用 GPU 优化计算。

三、常用的数据增强技术

3.1 翻转（Flip）

翻转就是沿着水平或者垂直方向翻转图像。

3.2 旋转 | 反射变换(Rotation/reflection)

旋转|反射就是随机旋转图像一定角度; 改变图像内容的朝向。

3.3 平移（shift）

平移就是在图像平面上对图像以一定方式进行平移。

3.4 缩放（Scale）

缩放就是按照一定的比例放大或者缩小图像。

3.5 随机裁剪或补零（Random Crop or Pad）

就是可以采用随机或人为定义的方式对图像进行裁剪或者补零。

3.6 色彩抖动（Color jittering）

在图像通道上添加随机扰动

3.7 加噪声（Noise）

对图像的每个像素RGB进行随机扰动, 常用的噪声模式是椒盐噪声和高斯噪声

应用如下：

data_transforms={
   
    'train':transforms.Compose(