数据增强_A survey on Image Data Augmentation 数据增强文献综述

版权声明：本文由 chaser  授权转载

https://zhuanlan.zhihu.com/p/76044027

更多论文解读的博客原文第一时间发布于我的github论文合集：

https://github.com/ming71/CV_PaperDaily

和个人博客：

https://ming71.github.io/

欢迎关注，有想法欢迎一起讨论！私信评论均可。

如有markdown语法知乎显示bug不进行修改维护，请直接移步github和博客即可。文章的维护也只在git和博客进行，知乎文章除有错误外不更新。

**顺便mark我的数据增强代码工具(持续更新)**：

toolbox：https://github.com/ming71/toolbox

论文发布日期：2019.6.1[Big Data]

1. Introduction

• 数据增强与过拟合
  验证是否过拟合的方法：画出loss曲线，如果训练集loss持续减小但是验证集loss增大，就说明是过拟合了。

• 数据增强目的
  通过数据增强实现数据更复杂的表征，从而减小验证集和训练集以及最终测试集的差距，让网络更好地学习迁移数据集上的数据分布。这也说明网络不是真正地理解数据，而是记忆数据分布。

• 数据增强的方法
  (1)数据变换增强
  包括几何变换、色彩空间变换，随机擦除，对抗训练，神经风格迁移等
  (2)重采样增强
  主要侧重于新的实例合成。如图像混合(mixup)，特征空间的增强，GAN生成图片。一张图看明白：