零基础入门语义分割-Task2 数据扩增

目的

顾名思义，数据扩增的原因是原始数据量不足，希望通过扩增达到

• 增加训练样本
• 有效缓解过拟合
• 赋予模型更强的泛化能力
  其根本目的是使得训练数据尽可能地接近测试数据，从而提高预测精度，增加鲁棒性

常用方法

基于几何变换

Flipping

• 水平变换多于竖直变换
• 字符型图像数据不适用

Cropping

• 常用
• 通用

Rotation

MNIST 在-20°到20°之间没问题 加大旋转角可能会影响标签

Translation

平移变换 （上下左右）可以避免数据中的位置偏差
当原始图像被平移后造成的空白区域，可以用一个常数值填充，如 0 或 255 ，也可以用随机或高斯噪声填充。这种填充可以保留图像增强后的空间尺寸。

Noise Injection

增加高斯噪声是比较常用的操作，增加噪声可以帮助 CNNs 学习到更 robust feature。

对于训练数据中存在的位置偏差，几何变换是非常好的解决方案。有许多潜在的偏差来源，可以将训练数据与测试数据的分布分开。如果存在位置偏差，例如在人脸识别数据集中，每个人脸都是完全居中的，几何变换是一个很好的解决方案。除了克服位置偏差的强大能力之外，几何变换也很有用，因为它们很容易实现。有很多成像处理库，可以让水平翻转和旋转等操作轻松上手。几何变换的一些缺点包括额外的内存、变换计算成本和额外的训练时间。一些几何变换，如平移或随机裁剪等几何变换必须手动观察，以确保它们没有改变图像的标签。最后，在所涉及的许多应用领域，如医学图像分析，训练数据与测试数据之间的偏差比位置偏差和平移偏差更复杂。因此，几何变换也不一定总是能带来明显的效果。

颜色变换

• 对过亮或过暗的图像进行快速处理的方法是在图像中进行循环，并将像素值减少或增加一个恒定值。
  另一种快速的色彩空间处理方法是拼接出单个RGB颜色矩阵。
  另一种变换包括将像素值限制在一定的最小值或最大值。数字图像中颜色的内在表现形式，使其可以用于许多增强策略。 通道分离 亮度 对比度 饱和度
  基于直方图 灰度图 转换为灰度图后，计算量减少，但是精度通常会有所降低，有人在 ImageNet 上对比 RGB 和
  灰度图，发现灰度图的精度下降大约 3%。

Kernel filters

• 模糊
• 锐化

Mixing

• 对小的数据集明显
• 两幅图每个像素取平均
• 两幅图线性叠加
• 从两幅图或者多幅图中裁剪一个局部，然后拼接

Random Erasing

类似于dropout，但random erasing 是在输入数据空间进行，而非是在网络结构中。这种方法也可以看着是在模拟遮挡的情况，以保证网络关注整个图像，而不是只关注其中的一个子集。

通常 earsing 的区域直接填充随机值效果更好。使用的时候需要注意是否标签安全，可能需要人为的加入一些限制，以保证标签的正确性。

OpenCV的数据扩增

# 首先读取原始图片
img = cv2.imread(train_mask['name'].iloc[0])
mask = rle_decode(train_mask['mask'].iloc[0])

plt.figure(figsize=(16, 8))
plt.subplot(1, 2, 1)
plt.imshow(img)

plt.subplot(1, 2, 2)
plt.imshow(mask)

# 垂直翻转
plt.figure(figsize=(16, 8))<