对于模型而言一般包含四个部分：输入、输出、网络结构、训练相关。如果想要改善模型，就可以从这四个部分入手。
● 输入：数据 --> Data Augmentation
● 输出：Loss相关
● 网络结构：Activation Function etc.
● 训练相关：Regularization etc.
这篇文章主要讲解Data Augmentation部分。
Data Augmentation简介
数据增强主要是指在计算机视觉领域中对图像进行数据增强，从而弥补训练图像数据集的不足，达到对训练数据扩充的目的。数据增强可分为同类增强（如：翻转、旋转、缩放、移位、模糊等）和混类增强（如 mixup）两种方式。
1. 同类增强
1）翻转（Flip）
可分为水平翻转、垂直翻转。
2）旋转（Rotation）
3）缩放（Scale）
向外缩放：最终图像尺寸将大于原始图像尺寸，大多数图像框架从新图像中剪切出一个部分，其大小等于原始图像。向内缩放：因为它会缩小图像尺寸，迫使我们对超出边界的内容作出假设。
4） 随机裁剪（Random Crop）
与缩放不同，随机裁剪只是从原始图像中随机抽样一个部分，然后我们将此部分的大小调整为原始图像的大小。
5）移位（Translation）
移位只涉及沿 X 或 Y 方向（或两者）移动图像。这种增强方法非常有用，因为大多数对象几乎可以位于图像的任何位置，移位时我们需要对边界作出假设。
6）模糊（Gaussian Noise）
当神经网络试图学习可能无用的高频特征（大量出现的特征）时，通常会发生过拟合，具有零均值的高斯噪声基本上在所有频率中具有数据点，从而有效地扭曲高频特征。但是这也意味着较低频率地数据（通常是预期数据）也会失真，但神经网络可以学会超越它，添加适量的噪声可以增强网络学习能力。
2. 混类增强
2.1. Mixup
将随机的两张样本按比例混合，分类的结果按比例分配。
特点：
a. Mixed up两张图像的效果已经足够了。
b. 在一个batch内Mixed就足够了，不需要整个数据集。
c. 不同类别的图像mix效果会更好。
d. 主要用于分类。
效果如图：
2.2. Cutout & Random Erasing
● Random Erasing
在现实场景中，遮挡问题一直都是一个难以处理和解决的问题。为了更 好的实现对遮挡数据的模拟，利用 Random Erasing 的方式，将原数据集中一部分保持原样， 另外一部分随机擦除一个矩形区域。
步骤：
1） 设置五个超参数，分别表示原数据集中实施 Random Erasing 的概率 P，擦除面积比 率的下界 sl 和上界 sh，擦除矩形长宽比的下界 r1 和上界 r2。
2） 首先通过均匀分布得到一个概率 p1，如果满足条件，实施擦除。
3） 擦除的过程如下：通过均匀分布取样得到擦除矩形面积，以及长宽值。选择一个满 足所有矩形部分都在图像内的左上角坐标，将这个矩形区域都设置为统一和图像其 他区域无关的纯色值。
效果如图：
● Cutout
Cutout 的出发点和 Random Erasing 一样，也是模拟遮挡，目的是提高泛化能 力，实际上比 Random Erasing 简单，随机选择一个固定大小的正方形区域，然后采用全 0 填充。为了避免填充 0 值对训练的影响，应该要对数据进行中心归一化操作；另外，Cutout 区域的大小比形状重要，所以 Cutout 只要是正方形就行。具体操作是利用固定大小的矩形 对图像进行遮挡，在矩形范围内，所有的值都被设置为 0，或者其他纯色值。而且擦除矩形 区域存在一定概率不完全在原图像中（文中设置为 50%）。
效果如图：
● 两者的区别
Cutout 和 Random Erasing 最主要的区别在于在 Cutout 中，擦除矩形区域存在一 定概率不完全在原图相中，而在 Random Erasing 中，擦除矩形区域一定在原图像中。Cutout 变相的实现了任意大小的擦除，以及保留更多重要区域。
2.3. CutMix
将一部分区域 cut 掉但不填充 0 像素而是随机填充数据集中其他数据的其余像素值，分类结果按一定的比例分配。
特点：
a. Cutout + Mixup
b. 结合两张图片
效果如图：
算法流程如下：
2.4. Mixup、Cutout、CutMix区别和优点
区别：
Cutout 和 CutMax 就是填充区域像素的区别；Mixup 和 CutMix 是混合两种样本方式上的区别：Mixup 是将两张图按比例进行插值来混合样本，CutMix 是采用 Cut 部分区域再补丁的形式去混合图像，不会有图像混合后不自然的情形。
优点：
1） 在训练过程中不会出现非信息像素，从而能够提高训练效率。
2） 保留了 regional dropout 的优势，能够关注目标的 non-discriminativa parts。
3） 通过要求模型从局部视图识别对象，对 cut 区域中添加其他样本的信息，能够进一 步增强模型的定位能力。
4） 不会有图像混合后不自然的情形，能够提升模型分类的表现。
5） 训练和推理代价保持不变。
2.5. Mosaic
YOLOv4 的 Mosaic 数据增强参考了 CutMix 数据增强方式，理论上具有一定的相似性。 CutMix 数据增强方式利用两张图片进行拼接，但是 Mosaic 利用了四张图像，论文中描述其 拥有一个巨大的优点就是丰富检测物体的背景，且在 BN 计算的时候一下子会计算四张图片的数据。
实现思路：
1） 每次读取四张图片。
2） 分别对四张图片进行翻转、缩放、色域变化等，并且按照四个方向位置摆好。
3） 进行图像的组合和框的组合。
特点：
a. 增强了背景的复杂程度。
b. 相当于变向的增大了batch size
效果如图：
