基于单样本数据增强技术—Max-drop,Cutout,Randomerase,Mixup,Cutmix,Hidelandseek,Gridmask,Fencemask,Keepaugment

阅读量：

本文旨在归纳总结计算机视觉任务中常用的几种单样本数据增强技术，主要作为个人学习记录，若存在任何疑问，欢迎各位提出宝贵意见(●ˇ∀ˇ●)

数据增强效果分析

防止模型出现过拟合现象。若数据集具备某种显著特征，例如图像大多来源于相同场景，可采用Cutout技术以及风格迁移变换等手段，以防止模型获取与目标无关的信息。

增强模型的鲁棒性，减少其对图像细节的依赖性。在训练数据处于较为理想状态的情况下，遇到遮挡、光照变化或图像模糊等特殊情况时，模型容易产生识别错误。通过向训练数据中引入噪声、掩码等处理方式，有助于提升模型的稳定性与适应能力。

扩充训练样本数量，从而增强模型的泛化性能。

预防样本分布不均衡问题。在工业缺陷检测及医疗疾病识别等应用场景中，常出现正负样本比例严重失衡的现象。对此可通过针对少量样本实施数据增强策略，以缓解样本分布不均的问题。

还没有任何评论哟~