本文介绍了有监督和无监督的数据增强技术在机器学习和深度学习中的应用。有监督数据增强包括单样本的几何和颜色变换，如翻转、旋转；多样本数据增强如mixup和Mosaic，后者能丰富数据集并提高模型鲁棒性。无监督数据增强则涉及GAN和Autoaugmentation，GAN通过生成网络和对抗网络学习数据分布，Autoaugment则通过强化学习寻找最佳图像变换策略。
文章目录
一、有监督的数据增强
有监督数据增强，即采用预设的数据变换规则，在已有数据的基础上进行数据的扩增，包含单样本数据增强和多样本数据增强，其中单样本又包括几何操作类，颜色变换类。
1.单样本数据增强
所谓单样本数据增强，即增强一个样本的时候，全部围绕着该样本本身进行操作，包括几何变换类，颜色变换类等。
1.1 几何变换类（改变图像本身的内容，它可能是选择了图像的一部分或者对像素进行了重分布）
几何变换类即对图像进行几何变换，包括翻转，旋转，裁剪，变形，缩放等各类操作
1.2颜色变换类（）
改变图像本身的内容，就属于颜色变换类的数据增强了，常见的包括噪声、模糊、颜色变换、擦除、填充等等。
2.多样本数据增强
多样本数据增强方法利用多个样本来产生新的样本。
2.1mixup
2.2Mosaic数据增强
把4张图片，通过随机缩放、随机裁减、随机排布的方式进行拼接。优点是丰富了检测物体的背景和小目标&#
最低0.47元/天 解锁文章
499
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
