YOLO目标检测中常用的数据增强方法

🌲🌲🌲前言

从事算法的同学们都应该了解数据在模型效果上的重要性，海量的数据📊更是能“大力出奇迹”，但现实中数据往往没有那么理想。在自然界中，有的类别能采集到的图片数量是十分稀少的，这种样本不均衡的问题会导致该类的精度较低；目标检测这种需要用矩形框、多边形框标注物体位置的任务，往往会消耗大量的人力物力和时间。

针对这个问题，研究者们🧑‍🎓提出了各种各样的解决方法和研究课题。一种方法是使用自监督学习，只需要收集大量的图片，并不需要额外给图片打标注，让模型自动化地学习数据内里的特征。一种方法是研究少样本学习方法，比如元学习等，这里就不展开了。还有一种方法是最简单的，就是对数据做各种各样的变换，让模型学到更多的特征。

YOLO中常用的随机翻转、旋转、HSV变换这里先不赘述了，这篇博客将重点介绍YOLO中常用的Mixup、Copy-Paste和Mosaic方法，这些方法都是将多张图片贴合在一起，作为一张图片喂进神经网络中。

1⃣️Mixup

Mixup指的是随机在训练集中抽取两类，用线性插值方法将他们混合在一起。如下图将猫狗🐱🐶按一定比例融合到一张图片中，这张图片的输出标签也按一定比例计算。

即输入为：

$x_{猫狗混合}=\lambda x_{猫}+(1-\lambda )x_{狗}$

输出标签为：

$y_{猫狗混合}=\lambda y_{猫}+(1-\lambda )y_{狗}$

这就构成了一个新的输入和标签样本：$(x_{猫狗混合},y_{猫狗混合})$。

为什么这样做能让模型更鲁棒呢？论文 《mixup: Beyond Empirical Risk Minimization》解释了原理。

在机器学习中，模型的风险分为三种——经验风险、期望风险和结构风险。期望风险指的是理想情况下的模型损失，即对世界上所有存在的样本求损失，这当然是不可能实现的，期望损失为：

$I(f(x),y)$为模型输出的损失，$P(x,y)$为样本的联合概率分布。

而经验风险就是平时我们常用的损失函数，即给定有限的训练集($x_i,y_i$)，求出在这个训练集上的平均损失作为参考：

深度学习模型学到的内容强依赖于训练集，在跟训练集同分布的测试集上效果可能很好，但只要让测试集的分布跟训练集稍有差异，性能就会下降，所以模型泛化能力不足的体现。让模型对自己的输出结果少一些“自信”，可以缓解模型在训练集上过拟合，这里将$x$和$y$同时变成概率分布，让模型去学习概率分布，而不是一个确定的标签输出，本人觉得这个思路跟label smoothing有异曲同工之妙。

2⃣️copy-paste 方法

copy-paste方法是谷歌团队在2021年提出的一种简单有效的数据增强方法。它将位于不同图片中的实例类别，粘贴到同一张图片中。

先将实例随机翻转，按不同的尺度调整大小，论文中提到了Large Scale Jittering和Standard Scale Jittering，前者的调整幅度较大，后者的调整幅度较小。对实例进行尺度调整能让模型更好地学习大小目标的特征。

Large Scale Jittering：
将图片的尺寸调整到原图的0.1~2.0倍

Standard Scale Jittering：
将图片的尺寸调整到原图的0.8～1.25倍

将两个实例融合粘贴到一起，增强后的图片$I_n$为：

$I_n=I_1\times a+I_2\times (1-a)$

$I_1$为从原图抠下来要被粘贴的实例，$I_2$为主图片。为了平滑两张图片的边缘，这里使用了高斯平滑方法，实验结果表明，不要融合方法也对结果没有任何影响。

作者比较了一下用coco数据集测试了copy-paste策略在 Mask R-CNN上的性能。可以看到copy-paste方法比mixup方法精度更高，Large Scale Jittering尺度调整方法比Standard Scale Jittering的更好，这里我觉得是因为物体尺寸之间的差别越大，网络能学习的尺寸变多了。

3⃣️Mosaic

比起copy paste方法要将实例从图片中抠出来，在YoloV4方法中提出的Mosaic数据增强更加简单，先将四张图片做各种变换（比如翻转、调整尺寸等），再将他们拼贴在一起，作为网络的输入。这种方法不仅能提升模型的鲁棒性，也能减少mini-batchsize，加快训练的速度。