本文介绍了应用于图像分类的mixup和cutmix两种混合增强方法的实现，包括动态图和静态图模式。混合增强通过融合多张图像，调整标签比例，能够提升模型的分类性能。详细讲解了在数据加载到内存后进行增强的策略，并针对动态图和静态图（特别是静态图中的Keras）给出了实现代码示例。
1、数据增强方式介绍
数据增强方式在方法上可以分为仿射变换、色彩变化、混合增强。仿射变换是指对图像进行缩放、旋转、平移和镜像等；色彩变化是指调节图像的明度、亮度和饱和度等（此外还可以使用各种滤波器对图像进行模糊、增强等操作）；混合增强是指多图融合的增强手段，如mixup、cutmix等（此外还有cutup(又称random erasing)）。
这些增强方式也可以分为同类增强和混合增强，同类增强是通过对一张图像进行变化，从而达到增强的目的；而混合增强是指对多张图像进行融合，其返回的标签独热码也按照相应的比例进行了相应的融合。本博文，主要介绍mixup和cutmix两种混合方式的实现，以两种方式实现，分别支持静态图与动态图，与ai框架无关，pytorch、tensorflow、paddle、keras都可以使用。
本博客只实现mixup与cutmix两种数据混合增强方式，Cutout方式的实现请参考python工具方法 21 应用于语义分割、图像分类、自动编码机的图像随机mask方法(Cutout方法、Random Erasing方法)_万里鹏程转瞬至的博客-CSDN博客
2、混合增强介绍
如：猫、狗、兔、鼠、牛五分类数据中，有以下两个数据：
Im1:猫，label1:[1,0,0,0,
订阅专栏 解锁全文
扫一扫
1005
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
