数据增强

数据增强通常是依赖从现有数据生成新的数据样本来人为地增加数据量的过程

这包括对数据进行不同方向的扰动处理

或使用深度学习模型在原始数据的潜在空间(latent space)中生成新数据点从而人为的扩充新的数据集

这里我们需要区分两个概念，即增强数据和合成数据

》合成数据

指在不使用真实世界图像的情况下人工生成数据

合成数据可由 GAN 或者现如今大火的 AGI 技术 Diffusion Model 生成

》增强数据

从原始图像派生而来，并进行某种较小的几何变换（例如翻转、平移、旋转或添加噪声等）

或者色彩变换（例如亮度、对比度、饱和度或通道混洗等），以此来增加训练集的多样性

数据增强的作用

在实际的应用场景中，数据集的采集、清洗和标注在大多数情况下都是一个非常昂贵且费时费力且乏味的事情

有了数据增强技术，一方面可以减轻相关人员的工作量，另一方面也可以帮助公司削减运营开支

此外，有些数据由于涉及到各种隐私问题可能用钱都买不到，又或者一些异常场景的数据几乎是极小概率时间

这时候数据增强的优势便充分的体现出来了

还有就是模型性能的提升

卷积神经网络对平移、视点、大小或光照均具有不变性

也正因此，CNN 能够准确地对不同方向的物体进行分类

在深度学习中，CNN 通过对输入图像进行卷积运算来学习图像中的不同特征，从而在计算机视觉任务上表现非常出色

随着 ViT 的提出，一系列 Vision Transformer 模型被提出并被广泛地应用

然而，无论是 CNN 还是 Transformer，均离不开数据的支持

特别是，当数据量较小时 CNN 容易过拟合，Transformer 则无法学习到良好的表征

数据增强的方式

数据增强方式大致分为两类：基础数据增强和高级数据增强

>>基础数据增强方法高级数据增强方法