CV-语义分割学习贴--数据扩增方法

CV-语义分割–数据扩增

这几天跟着Datawhale学习了，针对CV方面的数据扩增方法。
主要有两种类型，分别是基于图像的数据数据扩增方法和基于深度学习的扩增方法（还不太理解）。

我主要是练习了基于图像的数据扩增方法。针对本赛题（语义分割），针对图像的数据扩增方法也是比较合适的。

针对图像的扩增，又分为3大类：
一种是几何变化，包括：旋转、缩放、平移、裁减、翻转、反射变换，等。
一种是灰度和彩色空间变换，包括：亮度调整、对比度、饱和度调整、颜色空间转换、色彩调整、gamma变换等
一种是添加噪声和滤波，也就是对原始图像数值添加微量扰动：添加高斯噪声、椒盐噪声等；滤波：模糊、锐化、雾化等
，
这次Datawhale的视频分享中，主要介绍了Pytorch中torchvision模块的transforms函数以及Albumentations库函数；

我在baseline中主要是调用了Albumentations，（torchvision的transforms还没有调好代码，所有没有尝试成功）。

原来baseline中的

trfm = A.Compose([
    A.Resize(IMAGE_SIZE, IMAGE_SIZE),
    A.HorizontalFlip(p=0.5),
    A.VerticalFlip(p=0.5),
    A.RandomRotate90(),
])

这次尝试添加了其他的一些扩增方法：

trfm =  A.Compose(
    [
        A.HorizontalFlip(p = 0.5),
        # A.Transpose(),
        A.Resize(IMAGE_SIZE, IMAGE_SIZE),
        A.VerticalFlip(p=0.5),
        A.RandomRotate90(),
        A.OneOf([
            A.IAAAdditiveGaussianNoise(),
            A.GaussNoise(),
        ], p=0.3),
        
        ##------模糊处理：
        A.OneOf([
            A.MotionBlur(p=0.2),
            A.MedianBlur(blur_limit=3, p=0.1),
            A.Blur(blur_limit=3, p=0.1),
        ], p=0.5),
        A.ShiftScaleRotate(shift_limit=0.0625, scale_limit=0.2, rotate_limit=45, p=0.2),
        ##-----弹性变形：
        A.OneOf([
            A.OpticalDistortion(p=0.3),
            A.GridDistortion(p=0.1),
            A.ElasticTransform(alpha=155, sigma=210, alpha_affine=157, p=0.5)
            A.IAAPiecewiseAffine(p=0.3),
        ], p=0.5),
        A.OneOf([
            A.CLAHE(clip_limit=2),
            A.IAASharpen(),
            A.IAAEmboss(),
            A.RandomBrightnessContrast(),
        ], p=0.5),
        A.HueSaturationValue(p=0.3),
    ])

主要参考方法地址：添加链接描述
然而测试结果并没有原来的结果好一些，可能其中某些变换并没有起到正反馈的作用。需要进一步调整。。。