你根本不需要数据增强来训练你的分类器!!

Source: Dev.to

请提供您希望翻译的正文内容，我将按照要求保留源链接、格式和技术术语，仅翻译文本部分。

本博客内容

• 介绍
• 使用分类器：第一个分类器
• 理解分类器：不可靠的来源
• 实际研究：研究
• 结果

导言警告：如果你想直接从研究开始阅读，请从 实际研究 开始，然后阅读 结果。

关键术语

Binary Referral – 关于患者是否应转诊至其他服务、专科或护理层级的二元（是/否）临床决策。

Exotropia – 一种斜视（眼位不正），表现为一只或双眼向外偏离鼻子。可为持续性或间歇性，可能导致复视、眼睛疲劳或深度感知下降。

Esotropia – 一种斜视，表现为一只或双眼向内转向鼻子。可为持续性或间歇性，儿童常见，亦可出现在任何年龄段。

Resolution – 衡量预测模型在不同观察到的结果频率的情形下区分能力的指标。分辨率越高，模型对实际事件可能性不同的案例分配的概率就越不同。

Introduction

提升分类器性能的最常见方法有：

1. 使用更多数据
2. 使用预训练架构
3. 采用数据增强

之前，我已经大量撰写了关于分类器训练的文章——从常见的陷阱到 AutoAugment、RandAugment、TrivialAugment 等增强技术，并且还在使用 Cutout、CutMix、MixUp。

在这些帖子中，我经常引导新人使用 TrivialAugment，或者建议他们探索生成对抗网络（GAN）。在医学领域，StyleGAN2‑ADA 给我留下了深刻印象：它在数据有限的情况下表现良好，一旦掌握了 GAN 基础就相对直观，并且在对比前代如 StyleGAN 和 StyleGAN2 时表现更强。

然而，我最近的研究让我重新思考了一些假设。

June 2025 – The First Classifier

2026 年 6 月，我刚开始为一个开源项目做贡献，研究聊天机器人，并打磨几个独立的研究项目。就在那段时间，我构建了自己的第一个分类器——并不是用于研究，而是为我决定参加的一个小型黑客马拉松准备的。该分类器是项目的核心，因为它需要根据预测提供运动建议，准确性至关重要。

项目顺利完成并成功提交。我的成绩如何？并没有获奖，也不是因为分类器的原因。问题出在依赖更新和包不兼容上（我在这里详细讨论了这些问题）。

尽管如此，这段经历——其中的挫折、局限和小小的胜利——激发了我对分类器进行为期六个月的深入探索。

July 2025 – August 2025 – Unreliable Sources

几周后，我重新审视了最初的分类器，并开始使用大语言模型（LLM）对其进行改进。我的目标是学习在仅有 500 张图像、5 个类别 的情况下，构建高效分类器的最佳策略。

起初一切顺利；LLM 的建议提升了模型。但随后出现了著名的下降：输出质量下降，改动变得不再有意义，最终分类器的性能变差。

尽管我在学习“程序和算法”，却发现自己不断地按 Ctrl + C 和 Ctrl + V。对这种讽刺感到厌倦，我自问：

“研究分类器到底有多难？”

TL;DR： 对新人来说极其困难。

我重新温习了 CNN（这是我很久以前学习并在Juggling Multiple Interests中写过的主题），随后转向数据增强。

由于 LLM 的矛盾和反复，我对它们的信任度下降，但仍会用它们查找基本定义，只是能清楚辨别信息是否可靠。最终我决定：

“还有什么比直接从源头学习更好的方式？”

这个决定带来了挑战：AutoAugment 需要相当的基础知识。最终，这一努力是值得的。

在此期间，我了解了：

• AutoAugment 的工作原理
• 计算需求与约束
• 在 ImageNet、CIFAR‑10、SVHN 等数据集上的表现
• 架构、优化、GPU 与 CPU 的考量

这些自然引出了 RandAugment——AutoAugment 的计算成本更低的继任者。与此同时，我进入了医学/临床视角的领域，心中一直萦绕着一个问题：

“在临床环境中，哪种方法更可取？”

这个问题成为我数月研究的动力。

June 2025 – November 2025 – The Study

2025 年 7 月底，我开始了一项独立研究，旨在为特定任务——二元转诊——对数据增强技术进行基准测试。

我的目标是确定在准确但也可能次优的临床条件下，增强技术是否真的有帮助。

此时，我已经深入研究了针对特定数据集的增强（AA、…）。

Source: …

RA, TA). 为了将它们与更通用、侧重鲁棒性的增强方法进行比较，我加入了 Mix 系列：Cutout、CutMix 和 MixUp。

最终增强集合

模拟次优条件

• 硬件：仅 CPU（无 GPU）
• 数据集规模：约每类 100 张图像——压力测试
• 模型：预训练的 EfficientNet‑B0、MobileNet‑V2、MobileNet‑V3（在 ImageNet 上训练）以缓解数据稀缺

出现了一个实际问题：这些模型需要 224 × 224 的输入。裁剪不可行，因为会去除空间上重要的医学特征。我通过 填充 图像至正方形的方式解决了这个问题，生成了符合 224 × 224 要求的输入，同时保留了结构。Grad‑CAM 证实模型仍然能够定位正确的区域。

评估指标

• 统计分析
• Brier 分数分解
• 比值比（以及其他校准度量）

Source: …

结果

（结果部分紧随研究描述，为了完整性而放在此处。继续阅读可获取详细发现、表格和可视化。）

AUC/DeLong 比较

我使用 esotropia（内斜视）和 exotropia（外斜视）数据集进行测试，因为它们的特征截然不同。

Esotropia

• AutoAugment 给出了最一致的结果。
• 我尚未完成完整的定性分析，但 AutoAugment 很可能学习到了强调关键内斜视特征的策略。

Exotropia

• TrivialAugment 表现最为一致。
• 这表明简单的随机变换也能帮助稳定性能。

表现不佳者：CutMix

• CutMix 在几乎所有随机种子和模型上始终表现不佳。
• DeLong 检验（基于 AUC）反复显示 CutMix 相较于其他增强方法性能更差。

Brier 分解

• MixUp 最常出现低可靠性问题，其次是 AutoAugment。
• 在分辨率方面，AutoAugment 最为稳定，展现出强大的案例区分能力。

最大收获

在多个随机种子、预训练模型和数据集上，基线模型在几乎所有指标上与增强版本的表现相似。

结论： 训练分类器时并不一定需要数据增强。
只要拥有高质量的数据集、恰当的预处理以及合适的预训练模型，即使是小数据集也能达到强劲的基线水平（例如，在各种指标上约为 0.93）。

如果你决定使用数据增强，我的推荐是 AutoAugment。

进一步阅读

• 研究: Introducing UBAEF
  (稍作提醒：完整论文（含附录）长达 131 页！)

• GitHub 仓库: ML‑framework‑s‑taxonomy – 包含置信区间、训练时间等信息。

---

下次再见，带来另一个项目。

记住，有时基线已经相当出色。