yolo4中的数据增强

前言

常用数据增强方式和yolov4中使用的数据增强方式及其有效性。

加油啊，还没总结完~

1，常用数据增强方式

1.1 畸变

• 光照畸变
• 几何畸变

1.2 图像遮挡

1.2.1 随机擦除

• 做法
  选定图像一块区域，用随机像素或者平均像素来填充；
• 功能
  防止模型记忆训练数据和过拟合；

1.2.2 cutout

• 做法
  训练中掩盖一个正方形区域，只对CNN第一层遮挡，填充使用的仍然是常数像素；
• 功能
  防止过拟合；

1.2.3 Hide and Seek

• 做法
  将图像分割成s*s的patch，每个patch以一定概率隐藏
• 功能
  让模型了解物体是什么样子，而不只是学习单个部分是什么样子

1.2.4 Grid Mask

• 做法
  mask的网格，将图像隐藏其中
• 功能
  让模型学习组成物体的做成部分

1.2.5 MixUp

• 做法
  图像对及其标签的凸叠加
• 功能

2，yolov4数据增强

2.1 CutMix

• 做法

• 功能

• 问题思考？
  对比mixup和cutout，为什么cutmix会好？

2.2 Mosaic

• 做法
  把4张图片，通过随机缩放、随机裁减、随机排布的方式进行拼接

• 优点
  学习到比正常尺寸小的物体；
  可以“省”训练数据或迭代次数；
  丰富了检测物体的背景和小目标，并且在计算Batch Normalization的时候一次会计算四张图片的数据，使得mini-batch大小不需要很大，一个GPU就可以达到比较好的效果；
  丰富数据集：随机使用4张图片，随机缩放，再随机分布进行拼接，大大丰富了检测数据集，特别是随机缩放增加了很多小目标，让网络的鲁棒性更好；
  减少GPU：直接计算4张图片的数据，使得Mini-batch大小并不需要很大，一个GPU就可以达到比较好的效果；

• 缺点
  如果我们的数据集本身就有很多的小目标，那么Mosaic数据增强会导致本来较小的目标变得更小，导致模型的泛化能力变差

• 问题思考