音频数据扩充 在此存储库中，给出了音频数据增强的示例。 先决条件 NumPy Matplotlib 罗莎 参考

nlp-data-augmentation：用于NLP的数据增强。 NLP数据增强

图像旋转45度的matlab代码图像增强码 数据（图像）增强是深度学习中使用的一种流行技术，旨在通过扩大给定数据集来提高模型的训练性能。 在这里，我从头开始介绍了用于图像增强的简单Matlab代码（在代码中只有3种类型：翻转和旋转到45，-60度），也可以根据增强类型进行修改。

复制粘贴 复制粘贴增强的非官方实现。 构建增强功能可轻松与白蛋白整合。 为COCO提供了创建兼容火炬视觉数据集的示例。 图像，遮罩和边框的核心功能已完成； 关键点尚不支持。 通常，您可以像使用其他任何专辑增强功能一样使用CopyPaste增强功能。 注意一些用法限制。 使用说明 BboxParams不能具有label_fields。 要将类标签附加到边界框，请将其直接附加到边界框坐标。 （即（x1，y1，x2，y2，class_id））。 传递给CopyPaste增强的边界框还必须在“遮罩”列表中包含相应遮罩的索引。 （即边界框看起来像（x1，y1，x2，y2，class_id，mask_index））。 举了一个COCO的例子。 CopyPaste增强功能期望使用6个关键字参数，而不是3个： output = transforms ( image = image , masks

LNL增强 带有噪声标签的学习的增强策略代码（CVPR 2021）。 ： *， *， ， [ * ：] 抽象的不完美的标签在现实世界的数据集中无处不在。 训练对标签噪声具有鲁棒性的训练深度神经网络（DNN）的几种最新成功方法已经使用了两种主要技术：基于在预热阶段的损失来过滤样本以整理一组干净标签的样本，以及使用网络的输出作为后续损失计算的伪标签。 在本文中，我们评估了用于解决“带有噪声标签的学习”问题的算法的不同扩充策略。 我们提出并研究了多种扩充策略，并使用基于CIFAR-10和CIFAR-100的合成数据集以及真实数据集Clothing1M对其进行了评估。 由于这些算法的几种共通性，我们发现使用一组扩充进行损失建模任务而使用另一组扩充进行学习是最有效的，可以改进最新技术和其他先前方法的结果。 此外，我们发现在预热期间应用扩增可能会对正确标记和错误标记的样本的损失收敛行为产

转换掩码 想要的问题和建议。 介绍 一个用于图像增强的小工具，包括将遮罩文件转换为json / xml文件，图像增强（翻转，旋转，噪声等）等。 如何使用。 安装。 尝试： pip install -r requestments.txt 如果发生错误，请尝试： pip install -r requirements.txt --ignore-installed 用。 在此版本下，提供了这些工具。 1. 2. 3. 4. 5. longImgSplit 6. xml2json 7. xml2mask 8. xml2yolo 9. yolo2xml 10. mask2json 变更记录 2021.1.14 1.自动将类似yolo的数据集更新为train和val数据集，请参见testYoloLike.py 。 可以在./test/中找到测试数据集，总共68个tx

代码与我的一篇介绍命令行参数的博客相呼应，包含了两个数据集以及几个py文件

弹性变形以增强图像数据 如[Simard2003]中所述，在图像中产生弹性变形以产生新图像，从而增加了可用于cnn训练的数据量