论文名称：Exploring the Effects of Data Augmentation for Drivable Area Segmentation，是一篇Cityscapes数据集上构建freespace segmentation的技术报告。研究了语义分割模型的数据增强方法，提出了一个魔改 UNet + CBAM 模型，在 Cityscapes 验证，但没有说明是如何在 Cityscapes 构建 drivable area ground truth 的。

整理了可套用的各种数据增强方法，发现调整对比度（CLAHE和RandomGamma）非常好用：

Rotation Flip

Random Crop

Random Scale

CutMix

CLAHE 是对朴素的直方图均衡算法的优化。

• 直方图均衡算法（Histogram Equalization）：将源直方图dx宽度所盛纳的p(x)dx个像素映射到目标直方图的dy宽度中，映射前后像素数量不变，密度发生变化。也就是说，x对应的y值是原图上0~x这些像素的概率之和。

• 自适应直方图均衡算法（Adaptive HE）： 直方图均衡的基本单位不再是整个图像，而是对每个patch做直方图均衡。
• HE系列方法的问题是放大噪声： 如果一个区域的像素分布大体是均匀的，但是图像中带有一些噪声，则HE变换函数会把原图中很窄的x值分布映射到整个y值空间，这同时也就放大了原图中的噪声。
• 限制对比度（Contrast Limited）自适应直方图均衡 aka CLAHE：

Random Gamma 随机γ对图像做γ变换。γ变换将灰度过高或者灰度过低的图片进行修正，增强对比度。

Color Jitter

Blur

• GaussianBlur
• GlassBlur
• HueSaturation
• MotionBlur

Noise

• ISONoise
• OpticalDistortion

Posterize 海报化

PIL ImageOp 说明 当变量bits为2时，将每个颜色通道的像素值低6bit清0，保留剩下的2 bit位。即124=二进制1111100，其处置之后为，二进制1000000=32。

Weather simulations

• Random Fog
• Random Rain
• Random Snow
• Random Sun flare