数据增强——非像素维度
图片遮挡
原图处理
|
|
random-erase和cutout | gridmask |
- Random erase和CutOut方法类似,随机选择矩形区域,前者是随机填充矩形区域的像素值,后者是填充0值,代码见这里;
- Hide-and-seek和Grid mask方法类似,前者是随机采样矩形区域,后者是均匀采样矩形区域,均填充0像素值;
特征图处理
该部分更多的属于网络的正则化方法,yoloV4中将其归结为数据增强的方法。
|
|
|
dropout | dropconnect | dropblock |
- dropout
- dropconnect
- dropblock 该文章指出dropout随机丢弃特征的方法对FC层是有效的。而卷积层的特征是空间相关的,即使有dropout,信息仍能传送到下一层。dropblock是 dropout 的一种结构化形式,表示同一模块中的特征会被一起丢弃,即特征图的相邻区域也被丢弃了,对正则化卷积神经网络格外有效。更多内容可见这里。
图像融合
|
|
|
Mixup | CutMix | Mosaic |
- Mixup
- CutMix
-
Mosaic yoloV4论文中提出的新的数据增强方法,使用四张图片组合为一个新的训练样本。
自动数据增强
-
AutoAugment 谷歌出品,使用搜索空间(包含不同策略的数据增强方法)和搜索策略(数据增强策略的评估函数)来自动获得目标数据集上最高准确率的数据增强方法;
- Population Based Augmentation (PBA) 速度比AutoAugment快1000倍,效果相当;
自对抗训练
- Self-Adversarial Training (SAT) yoloV4论文中提出的
风格迁移
- style transfer GAN 可有效减少CNN学到的纹理偏差;