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。
立即学习“Python 免费学习笔记（深入）”；
验证阶段必须关闭所有增广，且用滑动窗口评估
测试时若仍开启 RandomResizedCrop 或 Cutout，会导致同一张图多次前向结果不一致，小样本下指标波动剧烈。正确做法是：
- 验证 / 测试 dataloader 中增广 pipeline 只含 ToTensor + Normalize
- 对尺寸不规整图像（如显微镜大图），不用中心裁剪，改用滑动窗口切块 + 投票融合，避免漏检关键区域
- 每个 epoch 结束后，不仅看 top-1 准确率，还要画 confusion matrix 看混淆集中在哪两类——若始终在相似子类间出错（如“哈士奇 vs 柴犬”），说明增广未强化区分性特征
基本上就这些。增广不是魔法，是帮模型聚焦该学的东西——尤其在样本少的时候，每一张“造出来”的图，都得有明确的教学意图。
以上就是 Python
