Attention:
論文解讀的博客原文發佈於個人github論文合集 歡迎關注，有想法歡迎一起討論！私信評論均可。
後面有些語法在CSDN的markdown上不支持，導致顯示bug，我就懶得改了，有需求直接訪問原博客查看。
| 創建人 | github論文彙總 | 個人博客 | 知乎論文專欄 |
|---|---|---|---|
| ming71 | paperdaily | chaser | 專欄 |
順便mark我的數據增強代碼工具（持續更新）：https://github.com/ming71/toolbox/tree/master/data_augmentation
論文發佈日期：2019.6.11<p/span>
1. Introduction
這篇文章挺簡單（簡陋）的。語言組織和結構安排很糟糕，就是爲了先掛在arxiv上的，不是什麼正經文章，看看結論就行然後討論一下。
文章研究了一些簡單的數據增強方法的效果對比，然後歸納出數據增強的幾個指導方向，結合上次看到谷歌的learned-augmentation能有點思考。結論：
（1）幾何變換作用好
（2）2-3倍的增強足夠
（3）小數據集更好
2. Experiment and Conclusion
2.1 Experiment Design
作者的實驗選取增強方式除了常見的裁剪縮放平移等，還採取了直方圖均衡、曝光等多種複雜的色彩變換如下表：
以及效果圖（CIFAR-10）如下。實驗做得挺一般沒什麼好看的，直接看結論。
2.2 Result and Rethink
-
小數據集的效果更佳
小數據集提升效果明顯，主要問題在於其容易過擬合。 -
幾何變換效果更好
數據增強是爲了擬合實際出現的可能情況，而均衡、曝光等情況不常見，所以不如簡單的平移裁剪等多，效果自然也不如其好。一方面有測試集的侷限性，另一方面也能一定程度反映真實世界的圖像變化情況。 -
關於增強能力是“一定程度”的思考：
-
《Why do deep convolutional networks generalize so poorly to small image transformations? Aharon》把這個叫做photographer bias，大部分照片（人眼視覺也是）都是有焦點角度的，可以認爲是某種同一性，數據增強如果擬合這些同一性，就能很好地實現效果提高。（極端如distortion類似的增強就基本不爲photographer關注）
-
增強個人感覺不是作者說的adding more feature，而應該是adding more useful feature，和上面我理解的同一性類似，正因此不同方案的增強纔有了顯著的性能差異。
-
一個悖論：檢測數據集的這種變化性也有體現，沒有真實世界強。涉及對數據集的理解，爲了更高的mAP，理論上可以追求同一性更強的檢測框架即可，但是現實世界變化性遠多於這個，這其中就有矛盾。