深度框架訓(xùn)練 | 不是所有數(shù)據(jù)增強(qiáng)都可以提升最終精度

一、前言&簡(jiǎn)要

為了緩解上述問題，有研究者提出了一種簡(jiǎn)單而高效的方法，稱為保持增強(qiáng)（KeepAugment），以提高增強(qiáng)圖像的保真度。其主要思想是首先使用顯著性map來檢測(cè)原始圖像上的重要區(qū)域，然后在增強(qiáng)過程中保留這些信息區(qū)域。這種信息保護(hù)策略使我們能夠生成更忠實(shí)的訓(xùn)練示例。

在實(shí)驗(yàn)上，也證明了該方法在一些現(xiàn)有的技術(shù)數(shù)據(jù)增強(qiáng)方案上有了顯著的改進(jìn)，例如：自動(dòng)增強(qiáng)、裁剪、隨機(jī)擦除，在圖像分類、半監(jiān)督圖像分類、多視點(diǎn)多攝像機(jī)跟蹤和目標(biāo)檢測(cè)等方面取得了很好的效果。

二、知識(shí)回顧

首先我們回一下什么叫“數(shù)據(jù)增強(qiáng)”？

數(shù)據(jù)增強(qiáng)（Data Augmentation）是一種通過讓有限的數(shù)據(jù)產(chǎn)生更多的等價(jià)數(shù)據(jù)來人工擴(kuò)展訓(xùn)練數(shù)據(jù)集的技術(shù)。它是克服訓(xùn)練數(shù)據(jù)不足的有效手段，目前在深度學(xué)習(xí)的各個(gè)領(lǐng)域中應(yīng)用廣泛。但是由于生成的數(shù)據(jù)與真實(shí)數(shù)據(jù)之間的差異，也不可避免地帶來了噪聲問題。

深度神經(jīng)網(wǎng)絡(luò)在許多任務(wù)中表現(xiàn)良好，但這些網(wǎng)絡(luò)通常需要大量數(shù)據(jù)才能避免過度擬合。遺憾的是，許多場(chǎng)景無法獲得大量數(shù)據(jù)，例如醫(yī)學(xué)圖像分析。數(shù)據(jù)增強(qiáng)技術(shù)的存在是為了解決這個(gè)問題，這是針對(duì)有限數(shù)據(jù)問題的解決方案。數(shù)據(jù)增強(qiáng)一套技術(shù)，可提高訓(xùn)練數(shù)據(jù)集的大小和質(zhì)量，以便您可以使用它們來構(gòu)建更好的深度學(xué)習(xí)模型。在計(jì)算視覺領(lǐng)域，生成增強(qiáng)圖像相對(duì)容易。即使引入噪聲或裁剪圖像的一部分，模型仍可以對(duì)圖像進(jìn)行分類，數(shù)據(jù)增強(qiáng)有一系列簡(jiǎn)單有效的方法可供選擇，有一些機(jī)器學(xué)習(xí)庫(kù)來進(jìn)行計(jì)算視覺領(lǐng)域的數(shù)據(jù)增強(qiáng)，比如：imgaug (https://github.com/aleju/imgaug)它封裝了很多數(shù)據(jù)增強(qiáng)算法，給開發(fā)者提供了方便。 

計(jì)算視覺領(lǐng)域的數(shù)據(jù)增強(qiáng)算法大致可以分為兩類：第一類是基于基本圖像處理技術(shù)技術(shù)的數(shù)據(jù)增強(qiáng)，第二個(gè)類別是基于深度學(xué)習(xí)的數(shù)據(jù)增強(qiáng)算法。下面先介紹基于基本圖像處理技術(shù)的數(shù)據(jù)增強(qiáng)方法：

1、flipping翻轉(zhuǎn)

一般都是水平方向翻轉(zhuǎn)而少用垂直方向，即鏡像變換。圖像數(shù)據(jù)集上證實(shí)有用（CIFAR-10，ImageNet等），但無法應(yīng)用在文本識(shí)別數(shù)據(jù)集（MNIST，SVHN等）

2、color space色彩空間

簡(jiǎn)單做法是隔離單個(gè)色彩通道，例如R，G或B，此外可以通過簡(jiǎn)單的矩陣運(yùn)算以增加或減少圖像的亮度。更高級(jí)的做法從顏色直方圖著手，更改這些直方圖中的強(qiáng)度值（想到了圖像處理中的直方圖均衡）。

3、cropping裁剪

分統(tǒng)一裁剪和隨機(jī)裁剪。統(tǒng)一裁剪將不同尺寸的圖像裁剪至設(shè)定大小，隨機(jī)裁剪類似translation，不同之處在于translation保留原圖尺寸而裁剪會(huì)降低尺寸。裁剪要注意不要丟失重要信息以至于改變圖像標(biāo)簽。

4、rotation旋轉(zhuǎn)

要注意旋轉(zhuǎn)度數(shù)。以MNIST為例，輕微旋轉(zhuǎn)（例如1°-20°）可能有用，再往后增加時(shí)數(shù)據(jù)標(biāo)簽可能不再保留。

5、translation位置變換

向左，向右，向上或向下移動(dòng)圖像可能是非常有用的轉(zhuǎn)換，以避免數(shù)據(jù)中的位置偏差。例如人臉識(shí)別數(shù)據(jù)集中人臉基本位于圖像正中，位置變換可以增強(qiáng)模型泛化能力。

6、noise injection添加噪聲

添加高斯分布的隨機(jī)矩陣

7、color space transformations色彩空間增強(qiáng)

照明偏差是圖像識(shí)別問題中最常見的挑戰(zhàn)之一，因此色彩空間轉(zhuǎn)換（也稱為光度轉(zhuǎn)換）的比較直觀有效。

①遍歷圖像以恒定值減少或增加像素值（過亮或過暗）

②拼接出（splice out）各個(gè)RGB顏色矩陣

③將像素值限制為某個(gè)最小值或最大值

④操作色彩直方圖以改變圖像色彩空間特征

注意將彩色圖轉(zhuǎn)換黑白雖然簡(jiǎn)化了這些操作，但精度會(huì)降低

geometric versus photometric transformations幾何與光度轉(zhuǎn)換

1、kernel flters內(nèi)核過濾器

平滑和銳化，即圖像處理中用卷積核滑過整幅圖像的操作。這一點(diǎn)尚未開發(fā)，它和CNN中卷積機(jī)制非常相似（就一樣啊），因此可以通過調(diào)整網(wǎng)絡(luò)參數(shù)更好地改善網(wǎng)絡(luò)，而不需要額外進(jìn)行這樣的數(shù)據(jù)增強(qiáng)操作。

2、mixing images圖像混合

做法是通過平均圖像像素值將圖像混合在一起：

mixing images

研究發(fā)現(xiàn)是當(dāng)混合來自整個(gè)訓(xùn)練集的圖像而不是僅來自同一類別的實(shí)例的圖像時(shí)，可以獲得更好的結(jié)果。其它一些做法：

①一種非線性方法將圖像組合成新的訓(xùn)練實(shí)例：

非線性方法

②另一方法是隨機(jī)裁剪圖像并將裁剪后的圖像連接在一起以形成新圖像：

隨機(jī)裁剪再拼接

這類方法從人的視角看毫無意義，但確實(shí)提升了精度。可能解釋是數(shù)據(jù)集大小的增加導(dǎo)致了諸如線和邊之類的低級(jí)特征的更可靠表示。

3、random erasing隨機(jī)擦除

這一點(diǎn)受到dropout正規(guī)化的啟發(fā)，隨機(jī)擦除迫使模型學(xué)習(xí)有關(guān)圖像的更多描述性特征，從而防止過擬合某個(gè)特定視覺特征。隨機(jī)擦除的好處在于可以確保網(wǎng)絡(luò)關(guān)注整個(gè)圖像，而不只是其中的一部分。最后隨機(jī)擦除的一個(gè)缺點(diǎn)是不一定會(huì)保留標(biāo)簽（例如文本8->6）。

三、新方法

新方法控制數(shù)據(jù)增強(qiáng)的保真度，從而減少有害的錯(cuò)誤信息。研究者的想法是通過顯著性映射測(cè)量圖像中矩形區(qū)域的重要性，并確保數(shù)據(jù)增強(qiáng)后始終呈現(xiàn)得分最高的區(qū)域：對(duì)于裁剪，通過避免切割重要區(qū)域（見下圖a5和b5）；對(duì)于圖像級(jí)轉(zhuǎn)換，通過將重要區(qū)域粘貼到轉(zhuǎn)換圖像頂部（參見下圖a6和b6）。

Eq2：

Eq3：

四、實(shí)驗(yàn)

CIFAR-10：https://www.cs.toronto.edu/?kriz/cifar.htmlopen-source code：https://github.com/clovaai/CutMix-PyTorchopen-ReID：https://github.com/Cysu/open-reid