数据增强之mixup算法详解

论文地址：mixup: BEYOND EMPIRICAL RISK MINIMIZATION
(一)、什么是数据增强？
(1). 数据增强主要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不足，达到对训练数据扩充的目的。
(2). 数据增强是一种数据扩充方法，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。

(二)、同类数据增强方式主要有哪些?
(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,向内缩放)
向外缩放时，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。而向内缩放，因为它会缩小图像大小，迫使我们对超出边界的内容做出假设。

(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）
当您的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的数据（通常是您的预期数据）也会失真，但您的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。

(三)、mixup混类数据增强方式
(1). mixup介绍
mixup是一种运用在计算机视觉中的对图像进行混类增强的算法，它可以将不同类之间的图像进行混合，从而扩充训练数据集。

(2). mixup原理
假设 $batch_{x1}$是一个 $batch$样本， $batch_{y1}$是该 $batch$样本对应的标签； $batch_{x2}$是另一个 $batch$样本， $batch_{y2}$是该 $batch$样本对应的标签， $\lambda$是由参数为 $\alpha$， $\beta$的贝塔分布计算出来的混合系数，由此我们可以得到mixup原理公式为： ${\lambda=Beta(\alpha,\beta)\tag{3.1}}$ $mixed\_ batch_x=\lambda*batch_{x1}+(1-\lambda)*batch_{x2}\tag{3.2}$ ${mixed\_batch_y=\lambda*batch_{y1}+(1-\lambda)*batch_{y_2}}\tag{3.3}$其中 $mixed\_batch_x$是混合后的 $batch$样本， $mixed\_batch_{y}$是混合后的 $batch$样本对应的标签。

需要说明几点：
1.在论文作者多组实验中，无论如何设置 $\alpha$， $\beta$的值，期望 $\frac{\alpha}{\alpha+\beta}$始终近似为0.5。这可能是由于权重 $\lambda$在每个batch样本都会随机产生，在整个训练过程中会有N个batch，权重在N个batch中期望近似为0.5。所以作者认为产生 $batch_{x1}$与 $batch_{x2}$样本混合权重 $\lambda$的Beta分布参数 $\alpha=\beta=0.5$时，算法效果相对较好。Beta分布如下图：

 
2. $batch_{x1}$与 $batch_{x2}$没有太多的限制，当 $batch\ size$=1时，就是两张图片样本混合；当 $batch\ size$>1时，便是两个 $batch$图片样本两两对应混合。此外， $batch_{x1}$与 $batch_{x2}$可以是同一批样本，也可以是不同批样本。一般在代码实现过程中，两个 $batch$图片是同一批样本，唯一不同的是， $batch_{x1}$是原始 $batch$图片样本，而 $batch_{x2}$是对 $batch_{x1}$在 $batch\ size$维度进行shuffle后得到的。

3.mixup原理大致如上，在实际代码实现过程中可能略有不同，需要灵活处理。

(3). mixup代码实现
mixup代码实现部分如下：

###############################author：qiu#################################

########################修改位置1:config.configurations#########################
#在代码配置config中添加以下键值信息:
USE_MIXUP=True,  #是否使用mixup方法增强数据集
MIXUP_ALPHA = 0.5,#add mixup alpha ,用于beta分布
##########################################################################

#######################修改位置2:添加mixup.py文件############################
import numpy as np
import torch
import torch.nn as nn
from loss.focal import FocalLoss
LOSS=FocalLoss()

def mixup_data(batch_x, batch_y, alpha=1.0, use_cuda=True):
    '''
    batch_x：批样本数，shape=[batch_size,channels,width,height]
    batch_y：批样本标签，shape=[batch_size]
    alpha：生成lam的beta分布参数，一般取0.5效果较好
    use_cuda：是否使用cuda
    
    returns：
    	mixed inputs, pairs of targets, and lam
    '''
    
    if alpha > 0:
    	#alpha=0.5使得lam有较大概率取0或1附近
        lam = np.random.beta(alpha, alpha)
    else:
        lam = 1
    batch_size = batch_x.size()[0]
    if use_cuda:
        index = torch.randperm(batch_size).cuda()
    else:
        index = torch.randperm(batch_size) #生成打乱的batch_size索引
	
	#获得混合的mixed_batchx数据，可以是同类（同张图片）混合，也可以是异类（不同图片）混合
	mixed_batchx = lam * batch_x + (1 - lam) * batch_x[index, :]
	
	"""
	Example：
	假设batch_x.shape=[2,3,112,112]，batch_size=2时，
	如果index=[0,1]的话，则可看成mixed_batchx=lam*[[0,1],3,112,112]+(1-lam)*[[0,1],3,112,112]=[[0,1],3,112,112]，即为同类混合
	如果index=[1,0]的话，则可看成mixed_batchx=lam*[[0,1],3,112,112]+(1-lam)*[[1,0],3,112,112]=[batch_size,3,112,112]，即为异类混合
	"""
    batch_ya, batch_yb = batch_y, batch_y[index]
    return mixed_batchx, batch_ya, batch_yb, lam


def mixup_criterion(criterion, inputs, batch_ya, batch_yb, lam):
    return lam * criterion(inputs, batch_ya) + (1 - lam) * criterion(inputs, batch_yb)
##########################################################################

#####################修改位置3：train.py文件修改代码如下######################
if torch.cuda.is_available() and DEVICE.type=="cuda":  #add
	inputs, targets = inputs.cuda(), targets.cuda()   
else:
	inputs = inputs.to(DEVICE)
	targets = targets.to(DEVICE).long()                   
	
if cfg['USE_MIXUP']:
	inputs, targets_a, targets_b, lam = mixup.mixup_data(
		inputs,targets,cfg["MIXUP_ALPHA"], torch.cuda.is_available())  
	
	#映射为Variable
	inputs, targets_a, targets_b = map(Variable, (inputs,targets_a,targets_b))
	#抽取特征，BACKBONE为粗特征抽取网络
	features = BACKBONE(inputs)   
	#抽取特征，HEAD为精细的特征抽取网络
	outputs = mixup.mixup_criterion(HEAD, features, targets_a, targets_b, lam)
	loss = mixup.mixup_criterion(LOSS, outputs, targets_a, targets_b, lam)             
else:
	features = BACKBONE(inputs)  
	outputs = HEAD(features, targets)                     
	loss = FocalLoss(outputs, labels)     
##########################################################################