数据增强

对训练样本施加保持标签的变换以扩充数据。几何类: 水平翻转、随机裁剪、旋转、缩放、色彩抖动 (利用图像的平移/翻转不变性先验); 混合类: Mixup 在样本间线性插值 $x' = \lambda x_i + (1-\lambda) x_j$, $y' = \lambda y_i + (1-\lambda) y_j$, 其中 $\lambda \sim \text{Beta}(\alpha, \alpha)$, CutMix 则混合图像区域而非像素。增强等价于正则化: 隐式约束模型在变换空间与样本邻域上平滑, 抑制过拟合, 效果上近似于在损失中引入额外先验/平滑性。

数据量不足的 CV 任务 (分类/检测/分割)、自监督学习 (SimCLR 等用随机增强构造正样本对)、半监督一致性训练; 面试问增强为什么有效、与正则化的关系。

标注数据昂贵, 增强以近乎零成本扩容: 翻转/裁剪注入不变性先验, Mixup/CutMix 通过让输出在样本间线性过渡来平滑决策边界、提升泛化 (隐式平滑正则); 与 dropout/weight decay 同属正则化家族、可组合使用。副作用: 过度增强会破坏语义 (标签失效) 或增加训练成本, 需按任务选择变换。

检验攻克程度：针对「数据增强」专属刷题排雷

做单选排雷题、推导选项机制，答错自动收录进专属错题本。