机器学习 - Data Augmentation 策略

最新推荐文章于 2025-07-06 23:06:28 发布

AIHGF

最新推荐文章于 2025-07-06 23:06:28 发布

阅读量2.3k

点赞数

CC 4.0 BY-SA版权

分类专栏：机器学习文章标签：机器学习 Augment

本文链接：https://blog.youkuaiyun.com/zziahgf/article/details/79497361

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)