数据增强之MixUp

已于 2022-03-04 21:17:27 修改
阅读量2k 收藏 2
点赞数
CC 4.0 BY-SA版权
分类专栏： 数据增强 深度学习 文章标签： mixup 数据增强
于 2021-12-26 18:12:19 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/cxx654/article/details/122158435

度量学习DML之Contrastive Loss及其变种_程大海的博客-优快云博客

度量学习DML之Triplet Loss_程大海的博客-优快云博客

度量学习DML之Lifted Structure Loss_程大海的博客-优快云博客

度量学习DML之Circle Loss_程大海的博客-优快云博客

度量学习DML之Cross-Batch Memory_程大海的博客-优快云博客

度量学习DML之MoCO_程大海的博客-优快云博客

数据增强之SpecAugment_程大海的博客-优快云博客

数据增强之MixUp_程大海的博客-优快云博客

 

MixUp

        论文：《mixup:Beyond Empirical Risk Minimization》

        参考：GitHub - facebookresearch/mixup-cifar10: mixup: Beyond Empirical Risk Minimization

        其中，和数两个数据样本，和是原始的输入数据（如图像矩阵），和是和对应所属类别的one-hot编码，，，用来控制mix的强度。

        Mixup的Pytorch代码实现实例如下，mixup的官方实现代码中关于的计算以及loss的计算与下图有所不同。

        下面看一下mixup在猫狗数据集上的mix效果：

        上图中，第一行是原始数据，第二行是对第一行数据进行随机mix之后的数据，第二行的第一幅图就是将第一行的第一幅图和第二幅图进行mix之后得到的。

Mixup方法——数据增强
m0_52073096的博客
10-09 7720
目录 2021SC@SDUSC Mixup方法 mixup原理 Mixup主要代码及分析 2021SC@SDUSC Mixup方法 大型深度神经网络损耗巨大的内存，以及对对抗样本的敏感性一直不太理想。在VRM中，需要专业知识描述训练数据中每个样本的邻域，从而可以从训练样本邻域中提取附加的虚拟样本以扩充对训练分布的支持。数据增强可以提高泛化能力，但这一过程依赖于数据集。其次，数据增强假定领域内样本都是同一类，且没有对不同类不同样本之间领域关系进行建模。针对这些问题，一种简单且数据无关的数...
Mixup数据增强方法的使用
lidongfang6688的博客
03-03 727
Mixup数据增强方法的使用
数据增强----mixup
混吃等死，研究生在读，毕业无望，偶尔搞点好玩的
02-28 566
学习记录
Mixup数据增强方法总结
最新发布
basketball616的博客
04-23 1755
Mixup 通过其核心思想是具体来说，对于两个样本及其对应的独热编码标签，按照一定比例进行加权混合，从而得到一个新的样本和标签。
数据增强Mixup原理与代码解读
00000cj的博客
08-03 6993
中，对两张图片mixup后只是合并了两张图中的所有gtbox，并没有对类别标签进行mixup。其中\(x_{i},x_{j}\)是从训练集中随机挑选的两张图像，\(y_{i},y_{j}\)是对应的one-hot标签，通过先验知识特征向量的线性插值和对应目标的线性插值还是对应的关系，构造了新的样本\((\widetilde{x},\widetilde{y})\)。其中\(\lambda\)通过\(\beta(\alpha,\alpha)\)分布获得，\(\alpha\)是超参。.........
数据增强之mixup算法详解
热门推荐
sinat_36618660的博客
09-28 5万+
论文地址：mixup: BEYOND EMPIRICAL RISK MINIMIZATION (一)、什么是数据增强？ (1). 数据增强主要指在计算机视觉领域中对图像进行数据增强，从而弥补训练图像数据集不足，达到对训练数据扩充的目的。 (2). 数据增强是一种数据扩充方法，可分为同类增强（如：翻转、旋转、缩放、翻译、模糊等）和混类增强（如mixup）两种方式。 (二)、同类数据增强方式主要有哪些...
【数据增强】Mixup
Glass_Gun的博客
10-31 1391
Mixup是发源于CV领域的一种数据增强技术，发展到现在不仅在CV领域，在NLP、时间序列预测等领域都有其踪影，是一种提分神器。存在问题：大型深度神经网络功能强大，但表现出不良行为，如对记忆和对抗性实例的敏感性。Mixup是一种简单有效的数据增强方法（学习原则），能够缓解这些问题。
人工智能训练数据增强Mosaic Mixup
07-14
人工智能训练数据增强Mosaic Mixup 1、test_load_mosaic_mixup，使用mosaic_mixup方法增强数据； 2、test_replace_black_block,替换混合增强数据中的黑色块 └── test_thread_fun ,多线程进行替换 └── test_...
Mixup数据增强技术
百态老人的博客
12-02 1349
Mixup是一种数据增强技术，通过将两个不同的样本及其对应的标签进行线性插值来生成新的训练样本。具体来说，Mixup的核心思想是随机选择两个训练样本，并按照一定的比例（通常由Beta分布生成的随机数控制）混合它们的像素值和标签，从而创建一个新的训练样本。这种方法不仅增加了数据集的多样性，还能够提高模型的泛化能力和鲁棒性。Mixup最初是在计算机视觉领域提出的，用于图像分类任务，但其应用范围已经扩展到自然语言处理、时间序列预测等多个领域。
python实现 YOLO中的数据增强|Mixup、Mosaic
strawberry47的博客
08-07 654
Mixup指的是随机在训练集中抽取两类，用线性插值方法将他们混合在一起。假设当前文件夹下共有四张图片。
MixUpProject
03-07
MixUpProject 该项目使用深度学习以另一幅图像的风格构成一幅图像。 这称为神经样式转移，该技术将在“艺术样式的神经算法”（Gatys等人）中进行概述。该项目将演示原始的样式转移算法。 它将图像内容优化为特定样式。 现代方法训练模型以直接生成风格化图像（类似于cyclgan）。 这种方法要快得多（最高1000倍）。 神经样式转移是一种优化技术，用于拍摄两个图像（一个内容图像和一个样式参考图像（例如著名画家的艺术品））并将它们融合在一起，以便输出图像看起来像内容图像，但被“绘制”样式参考图片的样式。 这是通过优化输出图像以使其与内容图像的内容统计信息和样式参考图像的样式统计信息相匹配来实现的。 这些统计数据是使用卷积网络从图像中提取的。
mixup 数据增强
qq_42198461的博客
08-01 1523
关于mixup的学习思考
Mixup数据增强
Major_S的博客
08-31 1581
论文标题：mixup: Beyond empirical risk minimization（ICLR 2018）开源代码：https://github.com/facebookresearch/mixup-cifar10mixup对两个样本-标签数据对按比例相加后生成新的样本-标签数据，即主要是将两张图像按比例进行混合。Mixup数据增强实现上的核心思想是从每个Batch中随机选择两张图片，并以一定比例混合生成新的图像，训练过程全部采用混合的新图像训练，原始图像不再参与训练。
探秘Mixup：数据增强的新利器
gitblog_00060的博客
04-18 745
探秘Mixup：数据增强的新利器 项目简介 是一个由Hongyi Zhang开发的Python库，它实现了机器学习中的数据增强策略——Mixup方法。这个项目的目标是通过混合不同样本的数据点生成新的训练样本，从而帮助模型更好地学习数据的内在规律，提高模型的泛化能力。 技术分析 Mixup的基本思想是线性插值两个样本以创建新样本。在图像识别领域，这涉及到将两张图片的像素值按比例混合，同时也会将它们对...
睿智的目标检测64——目标检测中的MixUp数据增强方法
Bubbliiiing的学习小课堂
02-07 1万+
哈哈哈！我再来一次数据增强！MixUp数据增强方法在最新的几个Yolo算法中得到了广泛的应用，特别在YoloX中，s、m、l、x四个型号的网络都使用了MixUp数据增强。nano和tiny由于模型的拟合能力一般没有使用MixUp，但也说明了MixUp具有强大的数据增强能力。MixUp的思路较为简单，主要是将两张图像按比例进行混合，如图所示：图片混合完成后，原来两幅图片的真实框此时也位于一幅图像上。
数据增强方法 - Mixup, Cutmix, SnapMix
连理o的博客
05-04 2138
mixup, cutmix, snapmix
mixup 数据增强(自定义数据集)
hxxjxw的博客
03-11 3050
这在不同类之间提供了连续的数据样本，直观地扩展了给定训练集的分布，从而使网络在测试阶段更加健壮。 Pytorch实现 在CIFAR-10数据集上 """ Import necessary libraries to train a network using mixup The code is mainly developed using the PyTorch library """ import numpy as np import pickle import random ...
计算机视觉基础 | 数据增强黑科技——MixUp
紫雾凌寒
02-22 1790
在深度学习的领域中，数据就如同模型的 “燃料”，其数量和质量直接决定了模型性能的优劣。深度神经网络通常需要海量的数据来进行训练，以学习到足够丰富的特征和模式，从而在面对新数据时展现出良好的泛化能力。然而，在现实世界中，获取大规模高质量的标注数据往往面临着诸多挑战，如高昂的成本、时间的限制以及数据收集的困难等 。
Mixup原理与代码实例讲解
AGI×大数据，开启智能时代的认知跃迁；解码AGI，赋能数据驱动的智能革命。
06-05 240
Mixup原理与代码实例讲解 1.背景介绍 在深度学习模型的训练过程中,通常会遇到过拟合(overfitting)的问题。过拟合是指模型在训练数据上表现良好,但在新的测试数据上的泛化能力较差。为了解决这个问题,研究人员提出了各种正则化技术,例如权重衰减(weight decay)、Dropout
YOLO之mixup数据增强
03-20
### YOLO 中 Mixup 数据增强的实现与应用 #### 原理概述 Mixup 是一种基于样本混合的数据增强方法，通过线性插值的方式将两个训练样本及其标签组合在一起形成新的训练样例。这种方法能够有效增加数据多样性并减少过拟合的风险[^2]。 具体来说，在目标检测领域中，Mixup 的核心思想是随机选取两张图像 \(I_1\) 和 \(I_2\) 及其对应的标注框集合 \(\{B_1\}\) 和 \(\{B_2\}\)，按照一定的比例系数 \(\lambda\) 进行加权平均操作： \[ I_{new} = \lambda \cdot I_1 + (1-\lambda) \cdot I_2 \] 对于标注框，则按相同的比例调整权重分布： \[ B_{new} = (\lambda, 1-\lambda) \cdot (B_1, B_2) \] 其中，\(\lambda\) 通常是从 Beta 分布中采样的一个随机数，用于控制两种输入之间的贡献程度。 #### 实现细节 以下是 Mixup 方法在 YOLO 系列中的典型实现方式之一（以 Python 表达为例）： ```python import numpy as np def mixup(image1, image2, boxes1, boxes2, alpha=0.2): """ 实现 Mixup 数据增强 参数: image1: 图像1 (H x W x C) image2: 图像2 (H x W x C) boxes1: 图像1的目标边界框列表 [(x_min, y_min, x_max, y_max)] boxes2: 图像2的目标边界框列表 [(x_min, y_min, x_max, y_max)] alpha: 控制 lambda 的参数 返回: mixed_image: 混合后的图像 mixed_boxes: 调整后的边界框列表 """ # 随机生成 lambda lam = np.random.beta(alpha, alpha) # 创建新图象 height, width, _ = image1.shape mixed_image = lam * image1 + (1 - lam) * image2 # 合并边界框信息 mixed_boxes = [] for box in boxes1: mixed_boxes.append((lam, box)) for box in boxes2: mixed_boxes.append(((1-lam), box)) return mixed_image.astype(np.uint8), mixed_boxes ``` 上述代码片段展示了如何利用简单的 NumPy 函数来完成两幅图片以及它们对应边界的融合过程。 #### 应用场景分析 在实际项目里，Mixup 广泛应用于多个版本的 YOLO 算法之中。例如，在 **YOLOX** 当中，除了 nano 和 tiny 版本外的所有预设模型均启用了此功能；而在其他较大型号如 s/m/l/x 上更是默认开启该选项以提升精度表现。此外，相比传统的水平翻转或者颜色抖动等方式而言，Mixup 提供了一种更加灵活且高效的手段去扩充有限规模的数据集资源[^1]。 --- ###
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值