数据增强
<h1>数据增强的原因：</h1>
<ul>
<li>小目标的 AP 低：AP（Average Precision）是评估目标检测模型性能的一个指标，特别是在小目标上，模型的 AP 通常比中目标和大目标要低很多。这意味着模型在检测小目标时的性能不如检测中等大小或大目标。</li>
<li>在数据集中小目标的占比：以COCO数据集为例，小目标的占比达到了 41.4%，这表明小目标在数据集中的数量是相当多的，比中目标和大目标的数量都要多。</li>
<li>小目标分布不均匀：尽管小目标在数据集中占比较高，但它们在训练集图片中的分布并不均匀。只有 52.3% 的图片实际上包含小目标，这意味着有些图片可能包含多个小目标，而有些图片可能一个也没有。</li>
<li>中目标和大目标分布更均匀：相比之下，中目标和大目标在图片中的分布更加均匀，这可能意味着它们在数据集中的分布更加平衡，每个图片中出现的机会更加一致。
<img src="https://www.showdoc.com.cn/server/api/attachment/visitFile?sign=c5a1575b6ded6ebac3fa08a26f34f88c&amp;file=file.png" alt="" /></li>
</ul>
<h1>几种数据增强：</h1>
<ul>
<li>
<p>Mixup:将随机的两张样本按比例混合（两张样本都设置不同的透明度），分类的结果按比例分配；</p>
</li>
<li>
<p>Cutout:随机的将样本中的部分区域cut掉，并且填充0像素值，分类的结果不变；</p>
</li>
<li>CutMix:就是将一部分区域cut掉但不填充0像素而是随机填充训练集中的其他数据的区域像素值，分类结果按一定的比例分配。对<em>一对</em> 图片做操作，随机生成一个裁剪框Box，裁剪掉A图的相应位置，然后用B图片相应位置的ROI放到A图中被裁剪的区域形成新的样本，ground truth标签会根据patch的面积按比例进行调整。</li>
</ul>
<p><img src="https://www.showdoc.com.cn/server/api/attachment/visitFile?sign=40bcdd9892c9bc077514414f8d13d106&amp;file=file.png" alt="" /></p>