目录

前言

一、为什么要使用数据增强？

二、数据增强有哪些方法？

1. 几何变换

2. 颜色变换

3. 噪声添加

4. 裁剪

5. 混合技术

6. 其他方法

三、代码实现

---

前言

        数据增强是深度学习中常用的一种技术，旨在通过对训练数据进行各种变换来增加数据集的多样性，从而提高模型的泛化能力。

 

一、为什么要使用数据增强？

1. 数据量不足：训练样本较少时，增强可以生成更多样本。
2. 数据不平衡：某些类别样本较少，需要平衡各类别。
3. 过拟合风险：模型在训练集上表现很好，但在验证集上差时。
4. 模拟多样性：希望模型能适应不同的实际应用场景。

 

二、数据增强有哪些方法？

1. 几何变换

• 旋转：随机旋转图像一定角度。
• 平移：在水平或垂直方向上随机平移图像。
• 缩放：随机缩放图像，使其大小发生变化。
• 翻转：水平或垂直翻转图像。

 

2. 颜色变换

• 亮度调整：随机改变图像的亮度。
• 对比度调整：调整图像的对比度，使得高光和阴影部分更加明显。
• 色相/饱和度调整：随机改变图像的色相和饱和度。

 

3. 噪声添加

• 高斯噪声：在图像中添加高斯噪声，增加训练数据的鲁棒性。
• 椒盐噪声：随机在图像中添加黑白噪点。

 

4. 裁剪

• 随机裁剪：随机裁剪图像的一部分，保留部分信息以进行训练。

 

5. 混合技术

• Mixup：将两张图像及其标签进行线性组合，生成新的训练样本。
• CutMix：在一张图像中裁剪出一部分并将其替换为另一张图像的部分。

 

6. 其他方法

• 透视变换：对图像进行透视变换，以模拟不同的视角。
• 模糊处理：对图像应用模糊效果，例如高斯模糊。

 

三、代码实现

from torchvision import transforms

data_transforms = {
    'train':
        transforms.Compose([
            transforms.Resize([300, 300]),
            transforms.RandomRotation(45),   # 随机旋转45度
            transforms.CenterCrop(256),      # 从图像中心裁剪（256,256）
            transforms.RandomHorizontalFlip(p=0.5),  # 随机水平旋转
            transforms.RandomVerticalFlip(p=0.5),  # 随机垂直旋转
            transforms.ColorJitter(brightness=0.2, contrast=0.1, saturation=0.1, hue=0.1),  # 图像随机调整颜色
            transforms.RandomGrayscale(p=0.1),  # 图像随机转换成灰度图
            transforms.ToTensor(),
            transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])  # 为 ImageNet 数据集计算的标准化参数
        ]),
    'test':
        transforms.Compose([
            transforms.Resize([256, 256]),
            transforms.ToTensor(),
            transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])  # 为 ImageNet 数据集计算的标准化参数
        ])
}