Datawhale AI 夏令营-全球Deepfake攻防挑战赛-Task 3 数据增强

目录

一、知识点学习

Part1 数据增强基础

Part2 常见数据增强方法

几何变换

颜色变换

自动增强

Part3 进阶数据增强方法

Mixup

Cutmix

Part4 导图总结

​编辑

二、心得感悟

---

一、知识点学习

Part1 数据增强基础

目的：通过人工方式增加训练数据的多样性，从而提高模型的泛化能力。

对于图像而言，数据增强包括例如视角、光照、遮挡等情况，使得模型能够学习到更加鲁棒的特征表示

PyTorch框架中的图像增强：

1. 图像大小调整：transforms.Resize((256, 256))将所有图像调整到256x256像素的尺寸

2. 随机水平翻转：transforms.RandomHorizontalFlip()随机地水平翻转图像

3. 随机垂直翻转：transforms.RandomVerticalFlip()随机地垂直翻转图像

4. 转换为张量：transforms.ToTensor()将图像数据转换为PyTorch的Tensor格式

5. 归一化：transforms.Normalize()对图像进行归一化处理，这里的均值和标准差是根据ImageNet数据集计算得出的，用于将图像像素值标准化，这有助于模型的训练稳定性和收敛速度。

   在深度学习中，对输入数据进行归一化是一个标准步骤。归一化有助于加快模型的收敛速度，并提高数值稳定性。对于验证集，应该避免使用如随机翻转等可能引入不必要噪音的增强方法。通常，验证集只需要进行必要的预处理，如调整大小和归一化。

train_loader = torch.utils.data.DataLoader(
    FFDIDataset(train_label['path'].head(1000), train_label['target'].head(1000), 
            transforms.Compose([
                        transforms.Resize((256, 256)),
                        transforms.RandomHorizontalFlip(),
                        transforms.RandomVerticalFlip(),
                        transforms.ToTensor(),
                        transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
        ])
    ), batch_size=40, shuffle=True, num_workers=4, pin_memory=True
)

val_loader = torch.utils.data.DataLoader(
    FFDIDataset(val_label['path'].head(1000), val_label['target'].head(1000), 
            transforms