圖片遮擋
原圖處理
|
|
|
| random-erase和cutout | gridmask |
- Random erase和CutOut方法類似，隨機選擇矩形區域，前者是隨機填充矩形區域的像素值，後者是填充0值，代碼見這裏；
- Hide-and-seek和Grid mask方法類似，前者是隨機採樣矩形區域，後者是均勻採樣矩形區域，均填充0像素值；
特徵圖處理
該部分更多的屬於網絡的正則化方法，yoloV4中將其歸結爲數據增強的方法。
|
|
|
|
| dropout | dropconnect | dropblock |
- dropout
- dropconnect
- dropblock 該文章指出dropout隨機丟棄特徵的方法對FC層是有效的。而卷積層的特徵是空間相關的，即使有dropout，信息仍能傳送到下一層。dropblock是 dropout 的一種結構化形式，表示同一模塊中的特徵會被一起丟棄，即特徵圖的相鄰區域也被丟棄了，對正則化卷積神經網絡格外有效。更多內容可見這裏。
圖像融合
|
|
|
|
| Mixup | CutMix | Mosaic |
- Mixup
- CutMix
-
Mosaic yoloV4論文中提出的新的數據增強方法，使用四張圖片組合爲一個新的訓練樣本。
自動數據增強
-
AutoAugment 谷歌出品，使用搜索空間(包含不同策略的數據增強方法)和搜索策略(數據增強策略的評估函數)來自動獲得目標數據集上最高準確率的數據增強方法；
- Population Based Augmentation (PBA) 速度比AutoAugment快1000倍，效果相當；
自對抗訓練
- Self-Adversarial Training (SAT) yoloV4論文中提出的
風格遷移
- style transfer GAN 可有效減少CNN學到的紋理偏差；