参加本次活动的目标：通过本次赛题可以引导大家熟练掌握语义分割任务的定义，具体的解题流程和相应的模型，并掌握语义分割任务的发展
零基础入门语义分割---Task2数据增强
0x10：学习目标
- 理解基础的数据扩增方法
- 学习OpenCV 和 albumentations 完成数据扩增
- Pytorch 完成赛题读取
0x20：常见的数据扩增方法
数据扩增是一种有效的正则化方法，可以防止模型过拟合。
数据扩增的目的是增加数据集钟样本的数据量，同时可以有效增加样本的语义空间。
注意：数据扩增方法需要与具体任何相结合，同时要考虑到标签的变化。
对于图像分类，数据扩增可以分为两类：
标签不变的，数据变化之后图像类别不变。
标签变化的，数据变换之后图像类别变化。
对于语义分割而言，一般的数据扩增方法都会改变图像的标签。如：水平翻转（VerticalFlip），垂直翻转（HorizontalFlip），随机旋转n个90度（RandomRotate90）。
0x30：OpenCV数据扩增
0x40：albumentations 数据扩增
与OpenCV相比albumentation具有以下优点：
albumentation支持的操作更多，使用更加方便
albumentation可以和深度学习框架Pytorch配合使用
albumentation支持各种任务（图像分流）的数据扩增操作
0x50：Pytorch 数据读取
使用Pytorch读取赛题数据。
在Pytorch钟数据是通过Dataset进行封装，并通过DataLoder进行并行读取。
我们只需重载以下数据读取的逻辑就可以完成数据的读取。
Dataset：数据集，对数据进行读取并进行数据扩增
DataLoder：数据读取器，对Dataset进行封装并进行批量读取。
0x60：课后作业
# 首先读取原始图片
img = cv2.imread(train_mask[’name’].iloc[0])
mask = rle_decode(train_mask[’mask’].iloc[0])
trmf = A.Compose([
# 翻转
A.Flip(p=0.5),
#加噪声
A.ISONoise(p=0.5),
A.GaussNoise(p=0.5),
])