文章目录
- 一、概述
- 二、数据增强的类别
- 1. 裁剪
- 2.翻转和旋转
- 3. 随机遮挡
- 4. 图像变换
- 5. 对transforms的选择操作，使数据增强更灵活
- 三、应用场景
- 四、总结
一、概述
数据增强（也叫数据扩增）的目的是为了扩充数据和提升模型的泛化能力。有效的数据扩充不仅能扩充训练样本数量，还能增加训练样本的多样性，一方面可避免过拟合，另一方面又会带来模型性能的提升。
二、数据增强的类别
1. 裁剪
- 中心裁剪：transforms.CenterCrop(512)；
- 随机裁剪：transforms.RandomCrop；
- 随机大小、长宽比裁剪：transforms.RandomResizedCrop；
- 上下左右中心裁剪：transforms.FiveCrop；
- 上下左右中心裁剪后翻转: transforms.TenCrop。
2.翻转和旋转
- 依概率p水平翻转：transforms.RandomHorizontalFlip(p=0.5)；
- 依概率p垂直翻转：transforms.RandomVerticalFlip(p=0.5)；
- 随机旋转：transforms.RandomRotation(degrees, resample=False, expand=False, center=None)。
- degrees：旋转角度，当为一个数a时，在（-a，a）之间随机旋转
- resample：重采样方法
- expand：旋转时是否保持图片完整，只针对中心旋转
- center：设置旋转中心点
3. 随机遮挡
- 对图像进行随机遮挡: transforms.RandomErasing。
4. 图像变换
- 尺寸变换：transforms.Resize；
- 标准化：transforms.Normalize；
- 填充：transforms.Pad；
- 修改亮度、对比度和饱和度：transforms.ColorJitter；
- 转灰度图：transforms.Grayscale；
- 依概率p转为灰度图：transforms.RandomGrayscale；
- 线性变换：transforms.LinearTransformation()；
- 仿射变换：transforms.RandomAffine；
- 将数据转换为PILImage：transforms.ToPILImage；
- 转为tensor，并归一化至[0-1]：transforms.ToTensor；
- 用户自定义方法：transforms.Lambda。
5. 对transforms的选择操作，使数据增强更灵活
- transforms.RandomChoice(transforms列表)：从给定的一系列transforms中选一个进行操作；
- transforms.RandomApply(transforms列表, p=0.5)：给一个transform加上概率，依概率进行选择操作；
- transforms.RandomOrder(transforms列表)：将transforms中的操作随机打乱。
举例说明：
上图就是由第一张图片经过翻转裁剪颜色变换得到的，每张图对于网络来说都是不同的输入，加上原图就将数据扩充到原来的14倍。
假如我们输入网络的图片的分辨率大小是256×256，若采用随机裁剪成224×224的方式，那么一张图最多可以产生32×32张不同的图，数据量扩充将近1000倍。
三、应用场景
数据增强在多个领域都有广泛的应用，包括但不限于：
- 计算机视觉：图像识别、目标检测、语义分割等任务。
- 自然语言处理：文本分类、情感分析、机器翻译等任务。
- 语音识别：通过时间伸缩、变速不变调、添加噪声等操作提高模型的识别准确性。
- 生物信息学：基因表达数据分析、蛋白质结构预测等任务。
- 推荐系统：提高推荐算法的准确性和多样性。
- 游戏AI：提高游戏角色的智能水平和适应性。
四、总结
总的来说，数据增强是深度学习中一个重要的环节，它通过增加数据集的多样性和数量，提高了模型的泛化能力和鲁棒性。在实际应用中，我们可以根据具体任务的需求选择合适的数据增强方法，以达到最佳的效果。
