目錄

數據增強是什么

為什么數據增強

數組增強分類

有監督數據增強

無監督數據增強

---

數據增強是什么

數據增強又稱數據擴增，是一種通過應用合理且隨機的變換（例如圖像位移、旋轉）來增加訓練集多樣性的技術。讓有限的數據產生等價于更多數據的價值，并避免不相關性特征。

例如針對車型識別模型，合理隨機變換同車型/不同車型圖片的主體大小、位置、視角、色彩等不相關特征，避免特征提取的不相關傾向性，但不接受垂直飛天側身超高曝汽車圖片。

為什么數據增強

一方面大部分實際項目難以獲得充足的數據，需要充分利用已有數據進行數據增強。另一方面，卷積神經網絡需要提取合理而有效的特征，而非集中不相關特征。

例如針對鳥類識別模型，原數據集中A品種和B品種鳥類占比各50%，羽毛顏色為兩類品種的不相關特征，但受限數據獲取難度，原數據集中A品種鳥均體現藍色，B品種鳥均體現紅色，使用顏色變換隨機擴充各品種顏色比例至50%左右，可以有效避免提取顏色為顯著特征。

數組增強分類

數據增強可以分為，有監督數據增強和無監督數據增強。

有監督數據增強

有監督數據增強還可以分為單樣本數據增強和多樣本數據增強。

• 單樣本數據增強：增強一個樣本時，完全圍繞樣本本身進行操作，如幾何變換、顏色變換等。
• 多樣本數據增強：利用多個樣本來產生新的樣本，如SMOTE合成少數過采樣，SamplePairing樣本配對，mixup混合線性插值等

簡單集合變換進行增強示例：

train_transformer = transforms.Compose([# 隨機水平翻轉，翻轉概率為0.5transforms.RandomHorizontalFlip(p=0.5),  # 隨機垂直翻轉，翻轉概率為0.5transforms.RandomVerticalFlip(p=0.5),  transforms.ToTensor(),transforms.Normalize([meanR, meanG, meanB], [stdR, stdG, stdB])])

無監督數據增強

無監督數據增強還可以分為隨機生成擴增和學習策略增強。

• 隨機生成擴增：學習數據分布，隨機生成與分布一致的圖片，例如GAN生成對抗網絡。
• 學習策略增強：通過模型學習出適合任務的數據增強策略，例如AutoAugment自動增強。

GAN(generative adversarial networks)包含兩個網絡，生成網絡和對抗網絡:

1. 生成網絡接收隨機噪聲z，通過噪聲生成圖片，記做G(z) 。
2. 對抗網絡判別圖片是否由G生成的，訓練好的生成網絡能生成以假亂真的圖片。

AutoAugment是Google提出的自動選擇最優數據增強方案的研究，使用增強學習從數據本身尋找最佳圖像變換策略，針對不同的任務學習出不同的增強方法，核心思想：

1. 準備16個常用的數據增強操作。
2. 選擇n個操作，隨機產生使用概率和幅度，稱為一個sub-policy，共產生5個sub-policy。
3. 訓練過程每一個batch的圖片隨機采用5個sub-policy操作中的一種。