miniimagenet的图像预处理代码_图像数据扩增技术

数据扩增的概念

数据扩增是指不实际增加原始数据，只是对原始数据做一些变换，从而创造出更多的数据。

数据扩增的目的

数据扩增的目的是增加数据量、丰富数据多样性、提高模型的泛化能力。

数据扩增的基本原则

• 不能引入无关的数据
• 扩增总是基于先验知识的，对于不同的任务和场景，数据扩增的策略也会不同。
• 扩增后的标签保持不变

数据扩增的方法

数据扩增方法可分为单样本扩增和多样本扩增

单样本扩增包括：图像翻转、图像旋转、图像扭曲、图像仿射变换、图像缩放、图像压缩、图像随机crop、图像随机padding、图像对比度调整、亮度调整、色度调整、饱和度调整、色彩抖动、添加噪声、图像模糊、图像区域随机擦除、风格转换、生成对抗网络生成等。

多样本扩增包括：SamplePairing和mixup，二者思路很相近

SamplePairing的扩增如下图所示：

非常简单直观，两幅图像分别做基本扩增后，取均值做融合，但是标签还是A的标签

mixup可以说是对SamplePairing的改进，将均值融合扩展成随机线性融合，标签也相应的做线性插值。

SamplePairing和mixup与传统扩增方法比，生成的图像近乎是一副不合理的图像，其标签取的似乎也很难理解，但是效果非常好。其实这样的融合操作与其说是数据扩增，不如说是一种正则化方法，只是是从数据的角度去做正则。可以理解为模型不光要能正确预测f(Xa)和f(Xb)，同时还要有预测下式的能力。

显然只有当f是线性函数时才成立。我们知道学到的模型很复杂，且网络越深越复杂、非线性越多越复杂，越复杂的网络越容易过拟合，而mixup就是希望模型尽可能的简单，降低模型复杂度，避免模型过拟合。

最后：

数据扩增的方法很多，但并不是所有的方法都要一股脑的使用，这需要结合应用场景的实际情况，增加不合理的扩增数据或实际不可能发生的扩增数据，对模型训练都是无益的。

附几种常见网络数据扩增及预处理方案（主要来自tensorflow官网实现代码）

cifarnet数据预处理

转成float型、padding、随机crop、随机左右翻转、随机色彩变换、归一化

lenet数据预处理

转成float型、padding、随机crop、resize、归一化

Inception数据预处理

转成float型、padding、随机crop、缩放、随机左右翻转、随机色彩变换、归一化

vgg数据预处理

随机缩放、随机crop、转成float型、随机左右翻转、去均值

SSD数据预处理

图像随机旋转、随机padding、转成float型、随机crop、随机色彩变换、颜色随机翻转、去均值

YOLO数据预处理

随机贴图、随机缩放、随机色彩变换、随机左右翻转、随机crop、随机平移

deeplab数据预处理

转成float型、去均值、图像左右翻转、随机padding、随机crop、随机缩放