增强方法

具体的综述有下里面几篇文章

1、A survey on Image Data Augmentation 数据增强文献综述
本文将数据增强方式分成了Basic的和DeepLearning的。DeepLearning中的典型代表就是GAN，但对于一般的应用，目前还是Basic的方式用的比较多。

比较重要的是，作者放出了一张结果图，如下
【深度学习】数据增强

2、一文道尽深度学习中的数据增强方法（上）
本文也主要讲的是一些Basic的方法，其中，本文还比较详细地介绍了一下多样本合成类的方法，包括：

3、一文道尽深度学习中的数据增强方法（下）
主要是讲一些无监督的方法，典型代表也是GAN，但这类方法复杂，目前还处于研究中。

工具包

1、Albumentations
优势在于：

Easy integration with PyTorch.
Easy transfer from torchvision.
Was used to get top results in many DL competitions at Kaggle, topcoder, CVPR, MICCAI.

将工具分为Pixel-level transforms和Spatial-level transforms，包含所有的Basic Image Manipulation的方法。

2、imageaug
也是包含基本所有的Basic Image Manipulation的方法。但似乎没有上一个工具包厉害

3、Mixup的代码实现
https://github.com/tengshaofeng/ResidualAttentionNetwork-pytorch/blob/master/Residual-Attention-Network/train_mixup.py

https://github.com/dmlc/gluon-cv/blob/49be01910a8e8424b017ed3df65c4928fc918c67/gluoncv/data/mixup/detection.py

https://github.com/hongyi-zhang

这里再放一个对Mixup的解释：https://blog.csdn.net/u013841196/article/details/81049968

4、SamplePairing
没有找到比较好的代码实现，但其实其思想非常简单。有人认为mixup是更高级的SamplePairing，这里放一个对SamplePairing的解释吧。
https://zhuanlan.zhihu.com/p/33040763

有些需要注意的地方，我看到了会在此更新。

1、看到SamplePairing是需要禁用和启用循环的，例如禁用8个epoch，启用2个这样子，我觉得mixup也可以。甚至是等原始数据集收敛之后，再加入mixup等