Datawhale AI 夏令营 task3 笔记

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：

1. 从训练集中随机选择两个图像和它们的标签。

2. 将这两个图像按照alpha的比例混合，得到一个新的图像。

3. 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：

1. 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。

2. 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。

3. 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：

1. 从训练集中随机选择两个图像和它们的标签。

2. 随机选择一个剪切区域的大小和位置。

3. 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。

4. 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。