机器学习 - Data Augmentation 策略

Data Augmentation 策略

数据增强是提高模型性能和泛化能力的重要方法.

• 随机调整 - Random resize
• 平移 - Shift
• 水平/垂直翻转 - Horizontal/Vertical flip
• Rotation/Reflection 旋转/仿射变换
• Noise - 高斯噪声，模糊处理
• 颜色增强 - Color Augmentation，包括色彩饱和度、亮度和对比度等.
• PCA Jittering 首先，按照 RGB 三个颜色通道计算均值和方差，规范网络输入数据； 然后，计算整个训练数据集的协方差矩阵，进行特征分解，得到特征向量和特征值，以作 PCA Jittering.
• 随机图像插值 - Random Image Interpolation，主要是在图像裁剪和缩放时采用.
• 裁剪采样 - Crop Sampling，从原始图像中缩放裁剪，得到网络输入. 常用有两种方式：
  • Scale Jittering，如 VGG 和 ResNet；
  • 尺度和长宽比增强变换 - Scale and aspect ratio augmentation，如 Google Inception 网络； 其缺点：随机选择 crop center 时，可能出现选择的区域不包含目标物体的区域.

  

• 监督数据增强 - Supervised Data Augmentation(SDA) (海康威视2016提出)
• 类别标签不均衡问题 - Imbalanced Class Problem. 数据集中各类别所包含的样本数可能很不均匀，有的类别包含样本数很多，有的类别包含样本数很少. 海康威视2016 受 Class-Aware Sampling方法启发提出 Label Shuffling/Label Smoothing 策略. ​

Reference

[1] - 深度学习大讲堂 - 海康威视研究院ImageNet2016竞赛经验分享

[2] - 使用深度学习(CNN)算法进行图像识别工作时，有哪些data augmentation 的奇技淫巧？ - 知乎

[3] - 深度学习之图像的数据增强