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。
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的混合过程包括以下步骤:
-
从训练集中随机选择两个图像和它们的标签。
-
将这两个图像按照
alpha
的比例混合,得到一个新的图像。 -
将这两个标签按照相同的
alpha
比例混合,得到一个新的标签。
MixUp方法具有以下几个优点:
-
增加数据多样性:通过混合不同的图像和标签,MixUp可以创建更多样化的训练样本,帮助模型学习到更加鲁棒的特征表示。
-
减少过拟合:MixUp可以减少模型对特定训练样本的依赖,从而降低过拟合的风险。
-
提高泛化能力:MixUp可以帮助模型学习到更加泛化的特征表示,从而提高模型在未见过的数据上的表现。
Cutmix
CutMix方法中,剪切和粘贴操作是关键步骤。具体来说,剪切和粘贴过程包括以下步骤:
-
从训练集中随机选择两个图像和它们的标签。
-
随机选择一个剪切区域的大小和位置。
-
将第一个图像的剪切区域粘贴到第二个图像上,得到一个新的图像。
-
根据剪切区域的大小,计算两个图像的标签的加权平均值,得到一个新的标签。