【计算机视觉】Image Data Augmentation算法介绍合集（一）

图像数据增强是指增强图像数据集以增加训练集的有效大小，或作为正则化的一种形式来帮助网络学习更有效的表示的一类方法。

一、Mixup

二、Greedy Policy Search

贪婪策略搜索 (GPS) 是一种简单的算法，它根据验证集的预测性能来学习测试时数据增强的策略。 GPS 从一个空策略开始，并以迭代方式构建它。 每个步骤都会选择一个在集合预测的校准对数似然方面提供最大改进的子策略，并将其添加到当前策略中。

三、Random Resized Crop

RandomResizedCrop 是一种图像数据增强，其中对原始尺寸的随机尺寸和原始宽高比的随机宽高比进行裁剪。 该作物最终被调整为给定的大小。

四、Color Jitter

ColorJitter 是一种图像数据增强，我们随机改变图像的亮度、对比度和饱和度。

五、Random Gaussian Blur

随机高斯模糊是一种图像数据增强技术，我们使用高斯分布随机模糊图像。

五、CutMix

CutMix 是一种图像数据增强策略。 我们不像剪切中那样简单地删除像素，而是用另一张图像中的补丁替换删除的区域。 地面实况标签也与组合图像的像素数量成比例地混合。 添加的补丁通过要求模型从局部视图中识别对象来进一步增强定位能力。

六、Random Horizontal Flip

RandomHorizontalFlip 是一种图像数据增强，它以给定的概率水平翻转给定的图像。

七、Cutout

Cutout 是一种图像增强和正则化技术，可在训练期间随机屏蔽输入的方形区域。 并可用于提高卷积神经网络的鲁棒性和整体性能。 剪切的主要动机来自于对象遮挡问题，这在许多计算机视觉任务中经常遇到，例如对象识别、跟踪或人体姿势估计。 通过生成模拟被遮挡示例的新图像，我们不仅可以更好地为模型准备好应对现实世界中的遮挡情况，而且模型还学会在做出决策时更多地考虑图像上下文

八、AutoAugment

AutoAugment 是一种从数据中查找数据增强策略的自动化方法。 它将寻找最佳增强策略的问题表述为离散搜索问题。 它由两个部分组成：搜索算法和搜索空间。

在较高层面上，搜索算法（作为控制器 RNN 实现）对数据增强策略进行采样，其中包含有关要使用什么图像处理操作、每个批次中使用该操作的概率以及操作量级的信息。 政策用于训练具有固定架构的神经网络，其验证精度被发送回以更新控制器。 自从是不可微的，控制器将通过策略梯度方法进行更新。

使用的操作来自 PIL（一个流行的 Python 图像库）：PIL 中接受图像作为输入并输出图像的所有函数。 它还使用了另外两种增强技术：Cutout 和 SamplePairing。 搜索的操作包括剪切X/Y、平移X/Y、旋转、自动对比度、反转、均衡、曝光、色调分离、对比度、颜色、亮度、锐度、剪切和样本配对。

九、RandAugment

应用的变换包括身份变换、自动对比度、均衡、旋转、日光照射、色彩抖动、色调分离、改变对比度、改变亮度、改变锐度、剪切-x、剪切-y、平移-x、平移-y。

十、AugMix

AugMix 通过线性插值混合增强图像。 因此，它类似于 Mixup，但混合了同一图像的增强版本。

十一、Random Erasing

随机擦除是一种用于训练卷积神经网络（CNN）的数据增强方法，它随机选择图像中的矩形区域并用随机值擦除其像素。 在此过程中，生成具有不同遮挡程度的训练图像，这降低了过度拟合的风险并使模型对遮挡具有鲁棒性。 随机擦除无需参数学习，易于实现，并且可以与大多数基于 CNN 的识别模型集成。 随机擦除是对随机裁剪和翻转等常用数据增强技术的补充，并且可以在图像分类、对象检测、语义分割等各种视觉任务中实现。

十二、Patch AutoAugment

Patch AutoAugment 是一种补丁级自动数据增强算法，可自动搜索图像补丁的最佳增强策略。 具体来说，PAA 允许每个补丁 DA 操作由代理控制，并将其建模为多代理强化学习 (MARL) 问题。 在每个步骤中，PAA 根据每个补丁的内容和整个图像的语义对每个补丁进行最有效的操作采样。 代理作为一个团队进行合作，并共享统一的团队奖励，以实现整个图像的联合最优DA策略。 PAA 通过对抗性训练与目标网络共同训练。 在每个步骤中，策略网络都会根据每个补丁的内容和图像的语义对最有效的操作进行采样。

十三、Fast AutoAugment

Fast AutoAugment 是一种图像数据增强算法，在贝叶斯 DA 的推动下，通过基于密度匹配的搜索策略找到有效的增强策略。 该策略是通过学习将增强数据视为训练数据的缺失数据点的增强策略来提高给定网络的泛化性能。 然而，与贝叶斯 DA 不同，所提出的方法通过在策略搜索阶段通过贝叶斯优化对一系列推理时间增强进行利用和探索来恢复那些丢失的数据点。 这是通过使用高效的密度匹配算法来实现的，该算法不需要对每个策略评估的网络训练进行任何反向传播。