Python深度学习训练小样本分类模型的增广策略解析【教学】

小样本数据增广的核心是“变准”而非“变多”，需围绕判别性特征做可控扰动，保留关键结构、抑制背景干扰，并结合领域感知的几何与色彩组合增广、自监督伪标签及严格验证策略。

小样本下数据增广的核心目标不是“变多”，而是“变准”

训练集只有几十或几百张图时，简单堆叠随机旋转、翻转往往无效，甚至引入噪声。真正有效的增广，是围绕类别判别性特征做可控扰动：保留关键纹理、边缘、局部结构，抑制无关背景干扰。比如医学细胞图像，要保细胞核形态不变；花卉识别则需稳定花瓣轮廓与色块分布。

优先用领域感知的几何+色彩组合增广

不建议直接套用 torchvision 的默认 RandomAugment。应分步设计：

• 几何层面：限制旋转角度（±10°内），禁用大幅缩放（避免失真），启用弹性形变（适用于组织切片、手写字符等有连续形变合理性的场景）
• 色彩层面：关闭全局亮度/对比度抖动，改用 HSV 空间微调——仅在 S（饱和度）和 V（明度）通道施加 ±0.05 范围扰动，H（色相）保持固定（防止苹果变橙子）
• 叠加方式：用 Albumentations 的 Compose(..., p=1.0) 强制每轮必应用一组协同变换，而非多个独立随机操作

少样本专用：自监督引导的伪标签增广

当标注极少但有同源未标注数据（如同一设备拍的额外图像），可用轻量自监督模型（如 SimCLR 小网络）先提取特征，对近邻样本做一致性增强：

• 对一张原图生成 2 种不同增广视图（如一种裁剪+色彩扰动，一种旋转+高斯模糊）
• 用冻结主干网络提取二者特征，约束其 cosine 相似度 >0.85
• 把高置信伪标签（来自教师模型预测）加入训练集，仅用于损失计算中的 soft-target 部分

这比纯生成式增广（如 GAN）更稳定，且不依赖生成质量。

标签： python 苹果 深度学习 cos