一个菜鸟的奋斗

通常ImageNet有自己的标准化参数，是通过抽样统计图像的均值方差得到的，那么针对本地特定数据集，如何获取到适合的参数呢？功能：针对RGB3个 channel 分布对图像进行标准化。将结果写入transform列表中即可。

我的目标是在不要改变原图中物体的长宽比例的前提下，将图像变成一个正方形。SquarePad可以将图像短的一边padding到与长边一致，再将该正方形做一个resize，就可以保证内部物体比例不会发生改变了。

脚本输出子文件夹的名称，以及对应文件夹下的文件个数。分析出该数据集各个类别的数据分布情况，哪些类别数据较多，哪些类别数据较少，可以针对该情况，对算法分类结果进行分析。

GridMask是2020年arXiv上的一篇论文，可以认为是直接对标Hide_and_Seek方法。与之不同的是，GridMask采用了等间隔擦除patch的方式，有点类似空洞卷积，或许可以取名叫空洞擦除？

RICAP是2019年发表在TCSVT期刊上的一种数据增强方法，看论文发现RICAP在目标检测中的用法和YOLOv4中的mosaic增强几乎是完全一样的。从时间上来看，YOLOv4是2020年出来的，比RICAP晚了一年，不确定作者是否看过RICAP这篇论文。

mixup是2018年发表在ICLR上的一种数据增强方法，核心思想是从每个batch中随机选择两张图像，并以一定比例混合生成新的图像。需要注意的是，全部训练过程都只采用混合的新图像训练，原始图像不参与训练过程。

Random Erasing是2017年与cutout同时期提出的一种数据增强方法，想法比较简单，即在训练时随机裁剪掉图像的一部分，也可以看作是一种类似dropout的正则化方法。Random Erasing Data Augmentationpaper (arXiv):https://arxiv.org/pdf/1708.04896v2.pdfpaper (AAAI20):https://ojs.aaai.org/index.php/AAAI/article/view/7000/6854..

cutout是2017年提出的一种数据增强方法，想法比较简单，即在训练时随机裁剪掉图像的一部分，也可以看作是一种类似dropout的正则化方法。Improved Regularization of Convolutional Neural Networks with Cutoutpaper:https://arxiv.org/pdf/1708.04552.pdfcode:https://github.com/uoguelph-mlrg/Cutoutcutout采用的操作是随机裁剪掉图像中..