KnowledgeTree

外观

数据增强抑制过拟合

约 1031 字大约 3 分钟

2026-03-27

​ 数据增强是抑制过拟合、提升模型泛化能力的关键技术。具体而言，通过对训练数据进行多样化的变换操作，可以有效扩充训练样本的多样性，从而提升模型的鲁棒性，使其在面对经过增强处理的样本时仍能保持稳定的篡改定位能力。下面详细介绍了几种常见的数据增强方法及其作用：

​ 几何变换：几何变换主要涉及对图像的空间位置进行调整，包括缩放、水平翻转、垂直翻转以及旋转90°等操作。这些变换可以模拟出目标对象在不同视角或尺度下的外观变化，帮助模型学习到更具普遍性的特征。

  • 缩放：改变图像大小。
  • 水平/垂直翻转：沿水平或垂直轴反转图像。
  • 旋转90°：将图像旋转90度。

1

​ 光度变换：光度变换关注的是图像的颜色和亮度调整，包括但不限于亮度对比度调整、Gamma校正和锐化等。这类变换能够使模型适应不同的光照条件和色彩表现形式，提升其在复杂环境中的识别能力。

  • 亮度对比度调整：改变图像的明暗程度及对比度。
  • Gamma校正：调整图像的亮度分布。
  • 锐化：增强图像边缘的清晰度。

2

​ 噪声类：向图像中添加不同类型的人工噪声（如高斯噪声、ISO噪声）可以帮助模型学习如何在存在干扰的情况下依然准确地识别目标。这有助于提高模型的抗噪性能。

  • 高斯噪声：模拟随机分布的背景噪音。
  • ISO噪声：模仿高感光度条件下拍摄的照片所特有的颗粒感。

3

​ 模糊类：模糊处理（如普通模糊、高斯模糊、中值模糊、运动模糊）是模拟物体移动或相机失焦效果的有效手段。这种变换能增强模型对于非理想拍摄条件下图像的理解力。

  • 均值模糊/高斯模糊：产生平滑的模糊效果。
  • 中值模糊：减少图像中的噪声。
  • 运动模糊：模拟物体快速移动时的拖影效果。

4

​ 质量退化：质量退化处理（如JPEG压缩、降采样）用于模拟低质量图像的情况，使得模型能够在有限的信息中仍能保持良好的识别性能。

  • JPEG压缩：通过有损压缩降低图像文件大小。
  • 降采样：减少图像分辨率。

5

2.albumentations库

​ albumentations库提供了丰富的图像增强功能，包括几何变换（如翻转、旋转、裁剪等）、颜色空间变换（如亮度、对比度调整等）、像素值变换（如归一化、标准化等）等。这些变换可以通过Compose类组合在一起，形成一个复杂的增强管道。

  1. Compose：用于组合多个图像变换操作。
  2. HorizontalFlip：水平翻转图像。
  3. VerticalFlip：垂直翻转图像。
  4. Rotate：旋转图像。
  5. ShiftScaleRotate：同时执行平移、缩放和旋转操作。
  6. RandomBrightnessContrast：随机调整图像的亮度和对比度。
  7. Normalize：对图像进行归一化处理。

​ 在实例中，我们使用如下的方法进行数据增强：

self.albu = A.Compose([
    A.RandomScale(scale_limit=(-0.5, 0.0), p=0.75),
    A.PadIfNeeded(min_height=self.img_size, min_width=self.img_size, p=1.0),

    A.OneOf([
        A.HorizontalFlip(p=1.0),
        A.VerticalFlip(p=1.0),
        A.RandomRotate90(p=1.0),
        A.Transpose(p=1.0),
    ], p=0.75),

    A.ImageCompression(50, 95, p=0.75),

    A.OneOf([
        A.OneOf([
            A.Blur(blur_limit=3, p=1.0),
            A.GaussianBlur(blur_limit=(3, 5), p=1.0),
            A.MedianBlur(blur_limit=3, p=1.0),
            A.MotionBlur(blur_limit=5, p=1.0),
        ], p=1.0),

        A.OneOf([
            A.Downscale(0.5, 0.9, p=1.0),
            A.GaussNoise(0.02, 0.08, p=1.0),
            A.ISONoise(p=1.0),
            A.RandomBrightnessContrast(p=1.0),
            A.RandomGamma(p=1.0),
            A.Sharpen(p=1.0),
        ], p=1.0),
    ], p=0.25),
    A.Resize(self.img_size, self.img_size)
])