半监督学习之数据增强

一般选择的未标记图片及其伪标签不直接送入网络进行retraining ，在此之前，我们需要对未标记图片及其伪标签做相应的增强操作，以便网络能学习额外的特征并且缓解对噪音的过拟合。
常见的增强操作：

1:裁剪

直接裁剪或者填充为指定大小

2:翻转

上下翻转、左右翻转、旋转指定角度

3:标准化

transforms.Normalize()

4:滤波

PIL的ImageFilter模块介绍

5:resize（插值法填充）

最邻近（nearest）与双线性（bilinear）

6:cutout

cutout是2017年提出的一种数据增强方法，想法比较简单，即在训练时随机裁剪掉图像的一部分，也可以看作是一种类似dropout的正则化方法。

Improved Regularization of Convolutional Neural Networks with Cutout
paper: https://arxiv.org/pdf/1708.04552.pdf
code: https://github.com/uoguelph-mlrg/Cutout

将以上操作使用PIL库实现并封装，方便后续调用。

import numpy as np
from PIL import Image, ImageOps, ImageFilter
import random
import torch
from torchvision import transforms
import cv2

class DataAugmentations():
    def __init__(self):
        pass
    def crop(self,img, mask, size):
        # padding height or width if smaller than cropping size
        w, h = img.size
        padw = size - w if w < size else 0
        padh = size - h if h < size else 0
        img = ImageOps.expand(img, border=(0, 0, padw, padh), fill=0)
        mask = ImageOps.expand(mask, border=(0, 0, padw, padh), fill=255