数据增强---Mixup

Mixup

什么是Mixup

假设我们在做猫狗分类的任务，label使用one-hot vector形式（[1,0] → 狗，[0,1]→猫），mixup的输出将图像和label分别进行了加权融合。

如果用数学公式来表达的话：

[x=lambda x_i+(1-lambda)x_j \ y=lambda y_i+(1-lambda)y_j ]

其中(x,y)是输出图像和label，((x_i,y_i),(x_j,y_i))是输入的两种图像和label，(lambda)一般是一个服从(eta)分布的随机数。

这提供了处于两个类别（猫和狗）之前的一些样本，扩展了样本分布，让训练出的模型具有更强的健壮性。

pytorch实现

import cv2
import numpy as np
import torch

def mix_up(img1, label1, img2, label2, alpha=0.2):
    img1 = img1.astype("float")
    img2 = img2.astype("float")

    alpha = 0.2
    lambda_ = np.random.beta(alpha, alpha)
    mixed_image = lambda_ * img1 + (1. - lambda_) * img2
    mixed_label = np.multiply(lambda_, label1) + np.multiply((1. - lambda_), label2)

    return mixed_image, mixed_label

if __name__ == '__main__':
    dog = cv2.imread("data/inu.png")
    dog_label = [0., 1.]

    cat = cv2.imread("data/neko.png")
    cat_label = [1., 0.]

    mixed_img, mixed_label = mix_up(dog, dog_label, cat, cat_label)

    cv2.imshow('original', dog)
    cv2.waitKey()

    cv2.imshow('original', cat)
    cv2.waitKey()

    mixed_img = mixed_img.astype("uint8")
    cv2.imshow('original', mixed_img)
    cv2.waitKey()

    cv2.imwrite("data/mixed.png", mixed_img)

参考文章

https://towardsdatascience.com/enhancing-neural-networks-with-mixup-in-pytorch-5129d261bc4a