数据增强是一种重要的机器学习方法之一,是基于已有的训练样本数据来生成更多的训练数据,其目的就是为了使扩增的训练数据尽可能接近真实分布的数据,从而提高检测精度。此外,数据增强能够迫使模型学习到更多鲁棒性的特征,从而有效提高模型的泛化能力。常用的数据增强手段可以分为,基于几何变换的数据增强,其可以消除训练集和测试集的尺度、位置和视角差异等。例如,翻转、裁剪、平移和添加噪声等。基于颜色空间变换的数据增强,其可以消除训练集和测试集的光照、色彩和亮度差异等。例如,调整亮度、对比度、饱和度、通道分离和灰度图转换等。此外,还包括一些其他的数据增强方法等。例如,多样本数据增强、Cut Mix数据增强和 Mosaic 数据增强等。
数据增强的作用:
当数据不足的时候用已有的训练样本数据来生成更多的训练数据
数据增强方法:
1、翻转 2、旋转 3、比例缩放 4、裁剪 5、移位 6、高斯噪声
7、条件对抗神经网络(改变图片的季节等)