CIFAR-10数据增强实战：从基础操作到高级策略

1次阅读

共计 1752 个字符，预计需要花费 5 分钟才能阅读完成。

CIFAR-10 是一个经典的计算机视觉数据集，包含 10 个类别的 60000 张 32×32 彩色图像。由于图像分辨率低且类别间存在相似性（如猫和狗），直接训练模型容易导致过拟合或泛化能力不足。数据增强通过人为扩展训练数据多样性，成为提升模型鲁棒性的关键手段。

核心问题 ：原始数据量有限（每类仅 5000 张训练图），且小尺寸图像容易在增强后丢失有效信息
增强目标 ：保持图像语义不变的前提下，增加光照、视角、遮挡等场景变化

随机裁剪（RandomCrop）
操作：从 36×36 放大图中随机裁剪 32×32 区域
优点：模拟物体位置变化，防止模型过度关注中心区域
注意点：需配合边缘填充（如 ReflectionPad）避免裁剪出黑边
水平翻转（HorizontalFlip）
操作：以 50% 概率镜像翻转图像
优点：简单有效，尤其适合对称物体（如飞机、汽车）
限制：不适用于文字等方向敏感内容
颜色抖动（ColorJitter）
参数：亮度 (brightness)、对比度 (contrast)、饱和度 (saturation)
实验建议：初始值建议设为 0.1-0.3 范围

Cutout：随机遮挡正方形区域（通常 8 ×8 像素）
效果：迫使模型关注全局特征而非局部纹理
调参建议：遮挡面积不超过图像的 20%
MixUp：两幅图像线性混合（λ~Beta(0.4,0.4)）
数学表达：x’ = λx1 + (1-λ)x2, y’ = λy1 + (1-λ)y2
优势：提升决策边界平滑性
注意：需配合标签平滑使用

import torchvision.transforms as transforms
from torchvision.datasets import CIFAR10

# 基础增强组合
train_transform = transforms.Compose([transforms.RandomHorizontalFlip(),
    transforms.RandomCrop(32, padding=4, padding_mode='reflect'),
    transforms.ToTensor(),
    transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010))
])

# 高级增强（需自定义）class Cutout(object):
    def __init__(self, length):
        self.length = length

    def __call__(self, img):
        h, w = img.size(1), img.size(2)
        mask = torch.ones(h, w)
        y = torch.randint(0, h, (1,)).item()
        x = torch.randint(0, w, (1,)).item()
        y1 = max(0, y - self.length//2)
        y2 = min(h, y + self.length//2)
        x1 = max(0, x - self.length//2)
        x2 = min(w, x + self.length//2)
        mask[y1:y2, x1:x2] = 0
        return img * mask