数据增强方法

基本数据增强

单样本增强

翻转，旋转，裁剪，缩放，仿射变换
噪声，模糊，颜色扰动，对比度扰动，擦除

多样本增强

多样本插值-SMOT

是一种用于处理不平衡数据集的过采样技术，主要用于解决分类问题中少数类样本数量不足的问题。
在许多实际的分类问题中，数据集往往是不平衡的，即少数类样本的数量远远少于多数类样本的数量。这种不平衡会导致分类器偏向多数类，从而降低对少数类的分类性能。SMOTE通过生成新的少数类样本来平衡数据集，从而提高分类器的性能

• 医学诊断：在疾病诊断中，少数类样本（如罕见疾病）的数量往往较少
• 金融欺诈检测：欺诈交易的数量通常远少于正常交易
• 网络安全：恶意软件检测中，恶意样本的数量远少于正常样本

SMOTE有许多变体和改进版本，例如：

• ADASYN：自适应合成采样方法，根据少数类样本的分布自适应地生成新样本
• SMOTE-NC：专门用于处理包含分类特征的数据集
• Borderline-SMOTE：只在少数类样本的边界上生成新样本，以减少噪声

多样本插值-SamplePariring

随机抽取两张图片分别经过基础数据增强操作（如随机翻转等）处理后，直接叠加合成为一个新的样本，标签为原样本标签中的一种。对相似样本数据集比较有效

多样本插值-Mixup

对图像和标签都进行插值

imgaug是一个用于图像增强的Python库，广泛应用于计算机视觉和深度学习领域。它提供了丰富的图像增强功能，可以模拟各种现实世界的图像变化，从而提高模型的泛化能力

自动数据增强方法

Autoaugment

学习一有数据增强操作的组合，不同的任务，需要不同的数据增强操作
16个常用数据增强操作组合：

shear裁剪，translate平移，rotate旋转，autocontrast自动对比度调整，invert负片，equalize直方图均衡化，solarize阈值反转，posterize减少位数，contrast控制对比度，color颜色平衡，brightness亮度调整，sharpness模糊，cutout随机擦除，sample pairing样本叠加

生成新的数据

生成对抗网络