数据增强前言

前些天分享了一篇谷歌的数据增强论文，解读在这：https://blog.csdn.net/oYeZhou/article/details/111307717。

可能由于方法比较简单，官方没有开源代码，于是，我自己尝试在语义分割数据集上进行了实现，代码见GitHub。

先看下实现的效果：

常用的数据增强方法有

旋转 | 反射变换(Rotation/reflection): 随机旋转图像一定角度; 改变图像内容的朝向;

翻转变换(flip): 沿着水平或者垂直方向翻转图像;

缩放变换(zoom): 按照一定的比例放大或者缩小图像;

平移变换(shift): 在图像平面上对图像以一定方式进行平移;

可以采用随机或人为定义的方式指定平移范围和平移步长, 沿水平或竖直方向进行平移. 改变图像内容的位置;

尺度变换(scale): 对图像按照指定的尺度因子, 进行放大或缩小; 或者参照SIFT特征提取思想, 利用指定的尺度因子对图像滤波构造尺度空间. 改变图像内容的大小或模糊程度;

对比度变换(contrast): 在图像的HSV颜色空间，改变饱和度S和V亮度分量，保持色调H不变. 对每个像素的S和V分量进行指数运算(指数因子在0.25到4之间), 增加光照变化;

噪声扰动(noise): 对图像的每个像素RGB进行随机扰动, 常用的噪声模式是椒盐噪声和高斯噪声;

颜色变化：在图像通道上添加随机扰动。

输入图像随机选择一块区域涂黑，参考《Random Erasing Data Augmentation》。