本文目录导读：
数据增强（Data Augmentation）是一种在训练数据有限的情况下，通过对原始数据进行微小变换来生成更多、更多样化训练样本的技术，它能有效提高模型的泛化能力，防止过拟合。
数据增强策略的选择高度依赖于数据类型（图像、文本、音频、表格）和具体任务（分类、检测、生成、时间序列预测）。
以下按不同数据类型介绍主流的增强策略：
图像数据增强（最成熟、最常用）
基础几何变换
这些是最简单、最有效的操作，通常结合使用。
- 随机翻转：水平翻转（常用）、垂直翻转（适用于非对称场景如文字识别）。
- 随机旋转：小角度旋转（如±15°），防止边缘信息丢失。
- 随机裁剪与缩放（Random Resized Crop）：从图像中随机裁剪一块，再缩放到原始尺寸，这是最核心的增强之一。
- 随机平移：沿X轴或Y轴平移图像。
- 随机错切（Shear）：使图像沿一个轴倾斜。
颜色与光学变换
模拟不同的光照和成像条件。
- 亮度、对比度、饱和度、色调调整：随机调整HSV或RGB通道的值。
- 灰度化：将彩色图转为灰度图，迫使模型学习形状而非颜色。
- 高斯噪声：模拟传感器噪声，增强鲁棒性。
- 模糊：高斯模糊、均值模糊。
- JPEG压缩伪影：降低图像质量模拟传输损耗。
高级/混合增强
- Cutout / Random Erasing：随机擦除图像中的一个矩形区域（填充灰色或噪声），迫使模型关注全局特征而非局部。
- Mixup：将两张图像按比例混合（像素叠加、标签线性混合），公式：
new_img = λ * img1 + (1-λ) * img2。 - CutMix：裁剪一张图像的一部分，粘贴到另一张图像上，标签也按面积比例混合。
- GridMask：规则网格式删除部分区域。
自动化增强（AutoAugment家族）
使用搜索算法（强化学习、遗传算法）找到针对特定数据集的最佳增强策略组合。
- AutoAugment：Google提出的搜索方法。
- RandAugment：简化版，随机选择N个增强操作并应用幅度M。
- TrivialAugment：更简单的单次随机增强。
特定场景增强
- 医学图像：弹性变换、模拟运动伪影、对比度拉伸。
- 卫星/遥感：多光谱混合、条带噪声模拟、地理扭曲。
- 文档OCR：透视畸变、笔画粗细变化、背景纹理模拟。
图像增强库推荐
- torchvision.transforms：PyTorch内置，基础功能。
- Albumentations：速度极快，支持80+种增强，适合深度学习。
- imgaug：功能丰富，支持顺序增强。
- Kornia：基于PyTorch的可微分增强，支持GPU加速。
文本数据增强（NLP）
文本增强比图像难得多,因为必须保持语义和语法正确。
词汇级别
- 同义词替换：随机选择单词，替换为WordNet或预训练词向量中的近义词。
- 随机插入：在句子中随机位置插入同义词。
- 随机交换：随机交换句中两个单词的位置。
- 随机删除：以一定概率删除单词。
句子级别
- 回译（Back Translation）：将原句翻译成中间语言（如法语），再翻译回原语言，能生成语义相似但表述不同的句子。
- 语法结构切换：主动->被动语态，否定句转换等。
模型驱动的增强
- BART / T5 / GPT 生成：使用预训练模型生成语义相似但改写过的句子。
- 对抗性扰动：在词嵌入向量中加入小噪声。
数据拼接
- Mixup for NLP：将两个句子的词嵌入向量按比例混合。
增强库推荐
- nlpaug：支持同义词、回译、TF-IDF替换等。
- TextAttack：不仅有增强，还支持对抗攻击。
音频数据增强（语音/声学）
信号级别
- 加性噪声：混合环境噪声（咖啡厅、街道、风声），音源分离任务常见。
- 时间拉伸：改变播放速度但保持音调不变。
- 音调偏移：改变音调高低。
- 时间/频率遮蔽（SpecAugment）：在语谱图上随机遮蔽一段频率或时间，这是语音识别最有效的增强。
环境模拟
- 混响：模拟房间回音。
- 卷积分：使用房间冲击响应（RIR）模拟不同的录音空间。
表格数据增强（结构化数据）
表格数据的增强难度较高,因为特征之间有依赖关系。
简单扰动
- 高斯噪声加性：对数值特征加入小噪声（如标准差的5%）。
- SMOTE：在少数类样本之间插值生成新样本，解决类别不平衡。
- 缺失值模拟：随机将某些值设为NaN，模拟数据缺失。
生成式方法
- CTGAN / TVAE：使用生成对抗网络或变分自编码器学习数据分布并生成新样本。
- Easy Data Augmentation (EDA for tabular)：将文本增强思路迁移到表格（交换、删除行等）。
时间序列数据增强
变换
- 缩放：全局缩放或窗口缩放。
- 时间扭曲：局部拉伸或压缩时间轴，模拟节奏变化。
- 排列：在固定窗口内打乱子序列（保持全局趋势不变）。
频域
- 频率屏蔽：在傅里叶变换后屏蔽某些频率分量，再逆变换回来。
- 季节性与趋势分解：对残差项加入噪声。
核心原则与建议
- 测试集真实性：增强策略必须模拟测试时可能遇到的真实情况，人脸识别不需要垂直翻转（人不会倒立）；手写数字识别需要大量旋转和扭曲。
- 不要破坏语义：图像分类中，将目标物上半部分裁掉可能没问题；但在细粒度分类（如鸟的品种）中，切掉鸟嘴就是灾难。
- 力度控制：增强幅度过大会导致模型学到伪造模式。
- 与数据量匹配：
- 小数据（<1k）：强增强+预训练+混合增强（Mixup/CutMix）+外部预训练权重。
- 中等数据（1k-1M）：标准增强（翻转+颜色+裁剪）+RandAugment。
- 大数据（>1M）：弱增强（仅随机裁剪+水平翻转）或无需增强。
- 在线 vs 离线：
- 在线：训练时实时生成，每次epoch生成不同数据，适合大数据（推荐）。
- 离线：先扩增数据集再训练，适合避免重复计算或特定缓存需求。
总结建议：
- 图像：首推 RandomResizedCrop + RandomHorizontalFlip + ColorJitter + AutoAugment/RandAugment。
- 文本：首推 回译 + 同义词替换。
- 音频：首推 SpecAugment 或 加性噪声。
- 通用：从 轻量增强 开始，验证集性能提升再逐步加量；使用增强库的 Pipeline 管理。
