论文阅读：数据增强Learning Data Augmentation Strategies for Object Detection

研究背景

1.当前的数据增强都是从分类任务引入的，但是分类任务的增强不一定适用检测任务。
2.当变换的数量越来越庞大的时候，就很难手动把它们有效组合到一起了。就要用机器学习，搜索出更适合目标检测任务的组合策略。
3.由于目标检测数据的标记成本比图像分类更高，数据增强策略在有限数据的情况下除了能提高模型表现同时还能节省数据成本。

研究方法

对于目标检测来说通常需要考虑目标框(bounding box, bbox)与变换后图像连续性，研究人员针对bbox内部的图像提出了一系列变换，同时探索了图像整体变化时如何调整bbox的策略。通过定义一系列子策略集和多个图像操作变换，最终将这一问题归结为离散空间中的优化问题来进行求解。

22种有利于检测的数据增强方法：
1.颜色操作:针对图像的颜色通道进行操作，包括直方图均衡、对比图调整和亮度调整等;
2.几何操作:对于图像进行几何变换，包括位置变换，bbox的大小和位置、旋转、剪切变换等，需要指出的是在进行几何变换时需要对bbox进行调整;
3.bbox操作:仅针对bbox内部的内容进行操作，而不改变外部的背景，可以综合使用前面的颜色和几何变换。

步骤：
1.定义为K个子策略的无序集合，在训练时从中随机选取策略对图像进行数据增强。
2.每一个策略则包含了N个图像变换，这些图像变换将依次作用于被增强的数据，研究的目的在于从中搜索出最有效的策略。每种操作有两个超参数(概率, 以及幅值).
3.为每个操作的幅值关联一个自定义的参数值范围，并将此范围映射到0到10的标准范围。将运算的概率离散化为L个均匀空间值，将运算的概率离散化为M个均匀空间值。