自监督学习增强

发表于2025-11-16|更新于2026-03-01|AIPyTorch数据增强

|浏览量:

3. 自监督学习增强方法

SimCLR 风格的增强：包括一系列的随机裁剪、翻转、颜色抖动和模糊等操作，用于自监督学习。
BYOL 和 MoCo 等方法的增强：这些方法通过多视角增强生成不同的图像视图，以进行对比学习。

文章作者: Hongwei Zhao

文章链接: https://geeks-z.github.io/Blog/2025/11/16/AI/30.PyTorch/101.%E6%95%B0%E6%8D%AE%E5%A2%9E%E5%BC%BA/04.%E8%87%AA%E7%9B%91%E7%9D%A3%E5%AD%A6%E4%B9%A0%E5%A2%9E%E5%BC%BA/

版权声明: 本博客所有文章除特别声明外，均采用 CC BY-NC-SA 4.0 许可协议。转载请注明来源 Hongwei Zhao's Blog！

AI PyTorch 数据增强

相关推荐

高级数据增强

高级数据增强方法 Cutout：在图像上随机遮挡一个矩形区域。 Mixup：将两张图像按照一定比例进行线性混合，同时混合对应的标签。 CutMix：将一张图像的矩形区域剪切并粘贴到另一张图像上，同时混合标签。 Random Erasing：在图像中随机擦除一个区域。 TransMix: TransMix 是一种用于增强 Vision Transformer (ViT) 模型的高级数据增强方法。它结合了 Mixup 和 CutMix 的思想，并应用于 Transformer 的 attention 机制上。 Mixup 和 CutMix12345678910111213141516171...

imgaug 简介和安装imgaug 简介imgaug是计算机视觉任务中常用的一个数据增强的包，相比于torchvision.transforms，它提供了更多的数据增强方法，因此在各种竞赛中，人们广泛使用imgaug来对数据进行增强操作。 Github 地址：imgaug Readthedocs：imgaug 官方提供 notebook 例程：notebook imgaug 的安装imgaug 的安装方法和其他的 Python 包类似，我们可以通过以下两种方式进行安装 conda12conda config --add channels conda-forgeconda insta...

基础数据增强

-使用 PyTorch 和 Albumentations 进行数据增强与损失函数 1. 基础数据增强方法随机裁剪（Random Crop）：从图像中随机裁剪一个子区域并调整大小。随机水平翻转（Random Horizontal Flip）：以一定的概率水平翻转图像。随机旋转（Random Rotation）：以一定的角度范围随机旋转图像。颜色抖动（Color Jitter）：随机改变图像的亮度、对比度、饱和度和色调。归一化（Normalization）：将图像像素值归一化到一定范围内。基础数据增强12345678910import torchvision.transfo...

数据增强概述

数据增强（Data augmentation）大部分的计算机视觉任务使用很多的数据，所以数据扩充是经常使用的一种技巧来提高计算机视觉系统的表现。我认为计算机视觉是一个相当复杂的工作，你需要输入图像的像素值，然后弄清楚图片中有什么，似乎你需要学习一个复杂方程来做这件事。在实践中，更多的数据对大多数计算机视觉任务都有所帮助，不像其他领域，有时候得到充足的数据，但是效果并不怎么样。但是，当下在计算机视觉方面，计算机视觉的主要问题是没有办法得到充足的数据。对大多数机器学习应用，这不是问题，但是对计算机视觉，数据就远远不够。所以这就意味着当你训练计算机视觉模型的时候，数据扩充会有所帮助，这是可行的...

model.eval()pytorch中model.eval()会对哪些函数有影响？ pytorch中model.eval()会对哪些函数有影响？答：将BN和dropout这些训练和测试时行为不同的层切换到test mode。 Dropout训练和推理时的差异众所周知，dropout是训练的时候将某层的神经元输出以 $p$（如10%）的概率随机置为零，以减缓过拟合。那么测试时呢？为了保证测试时每次推理的一致性，肯定是不能再随机让神经失活了，那什么都不做，让所有神经元都按正常输出值原样输出可以嘛？从训练和测试时的输出值尺度一致性来看，答案显然是否定的。设每个神经元原始输出的绝对值均...

概述PyTorchImageModels，简称 timm，是一个巨大的 PyTorch 代码集合，包括了一系列： image models layers utilities optimizers schedulers data-loaders / augmentations training / validation scripts 旨在将各种 SOTA 模型整合在一起，并具有复现 ImageNet 训练结果的能力。虽然模型架构是 timm 的重点，但它还包括许多数据增强 (data augmentations)、正则化技术 (regularization tec...