【图像数据增强】Mixup、Cutout、Random Erasing、CutMix、Mosaic等详解

       对于模型而言一般包含四个部分：输入、输出、网络结构、训练相关。如果想要改善模型，就可以从这四个部分入手。
● 输入：数据 --> Data Augmentation
● 输出：Loss相关
● 网络结构：Activation Function etc.
● 训练相关：Regularization etc.

       这篇文章主要讲解Data Augmentation部分。

Data Augmentation简介

       数据增强主要是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的不足，达到对训练数据扩充的目的。数据增强可分为同类增强（如：翻转、旋转、缩放、移位、模糊等）和混类增强（如 mixup）两种方式。

1. 同类增强

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：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。向内缩放：因为它会缩小图像尺寸，迫使我们对超出边界的内容作出假设。

4） 随机裁剪（Random Crop）
&n