![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
Data Augmentation
一个记录深度学习数据增强的专栏
dekiang
这个作者很懒,什么都没留下…
展开
-
【数据增强】GridMask
论文: GridMask Data Augmentation.Github: https://github.com/akuxcw/GridMask.目前,现有的数据增强方法大致可以分为3类:空间变换(Spatial transformation):如,随机裁剪、随机翻转、随机缩放、随机旋转等。颜色变换(Color distortion):如改变图片的亮度(brightness)、色调(hue)等。信息删除(information dropping/deletion):如Random Erasi原创 2020-05-11 00:03:16 · 995 阅读 · 0 评论 -
【数据增强】Hide-and-Seek
论文: Hide-and-Seek: A Data Augmentation Technique for Weakly-Supervised Localization and Beyond.参考资料:[1]: Hide-and-Seek: A Data Augmentation Technique for Weakly-Supervised Localization and Beyond.原创 2020-05-10 17:04:10 · 2395 阅读 · 0 评论 -
【数据增强】Cutout
论文: Improved Regularization of Convolutional Neural Networks with Cutout.Github: https://github.com/uoguelph-mlrg/Cutout.Cutout的出发点和随机擦除一样,也是模拟遮挡,目的是提高泛化能力,实现上比Random Erasing简单,随机选择一个固定大小的正方形区域,然后采用全0填充就OK了,当然为了避免填充0值对训练的影响,应该要对数据进行中心归一化操作,norm到0。(如果你还不了原创 2020-05-10 16:11:12 · 12504 阅读 · 4 评论 -
【数据增强】Random Erasing
论文: Random erasing data augmentation.Github: https://github.com/zhunzhong07/Random-Erasing.随机擦除增强,非常容易理解。作者提出的目的主要是模拟遮挡,从而提高模型泛化能力,这种操作其实非常make sense,因为我把物体遮挡一部分后依然能够分类正确,那么肯定会迫使网络利用局部未遮挡的数据进行识别,加大了训练难度,一定程度会提高泛化能力。其也可以被视为add noise的一种,并且与随机裁剪、随机水平翻转具有一定的原创 2020-05-10 14:51:05 · 2739 阅读 · 0 评论