数据增强之mixup算法详解

本文主要是介绍数据增强之mixup算法详解，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

论文地址：mixup: BEYOND EMPIRICAL RISK MINIMIZATION
(一)、什么是数据增强？
(1). 数据增强主要指在计算机视觉领域中对图像进行数据增强，从而弥补训练图像数据集不足，达到对训练数据扩充的目的。
(2). 数据增强是一种数据扩充方法，可分为同类增强（如：翻转、旋转、缩放、移位、模糊等）和混类增强（如mixup）两种方式。

(二)、同类数据增强方式主要有哪些?
(1). 翻转Flip
可分为水平翻转，垂直翻转

(2). 旋转Rotation

(3). 缩放Scale(向外缩放,向内缩放)
向外缩放时，最终图像尺寸将大于原始图像尺寸，大多数图像框架从新图像中剪切出一个部分，其大小等于原始图像。而向内缩放，因为它会缩小图像大小，迫使我们对超出边界的内容做出假设。

(4). 随机裁剪（Random Crop）
与缩放不同，随机裁剪只是从原始图像中随机抽样一个部分，然后我们将此部分的大小调整为原始图像大小。

(5). 移位（Translation）
移位只涉及沿X或Y方向（或两者）移动图像。这种增强方法非常有用，因为大多数对象几乎可以位于图像的任何位置，移位时我们需要对边界作出假设。

(6). 模糊（Gaussian Noise）
当您的神经网络试图学习可能无用的高频特征（大量出现的特征）时，通常会发生过拟合。具有零均值的高斯噪声基本上在所有频率中具有数据点，从而有效地扭曲高频特征。但是这也意味着较低频率的数据（通常是您的预期数据）也会失真，但您的神经网络可以学会超越它。添加适量的噪声可以增强网络学习能力。

(三)、mixup混类数据增强方式
(1). mixup介绍
mixup是一种运用在计算机视觉中的对图像进行混类增强的算法，它可以将不同类之间的图像进行混合，从而扩充训练数据集。

(2). mixup原理
假设$batc{h}_{x1}$是一个$batch$样本，$batc{h}_{y1}$是该$batch$样本对应的标签；$batc{h}_{x2}$是另一个$batch$样本，$batc{h}_{y2}$是该$batch$样本对应的标签，$\lambda$是由参数为$\alpha$，$\beta$的贝塔分布计算出来的混合系数，由此我们可以得到mixup原理公式为：$$\lambda =Beta(\alpha ,\beta )\text{\hspace{1em}(3.1)}$$ m i x e d _

这篇关于数据增强之mixup算法详解的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---