資料增強有效量

🤖 Data Augmentation Effective Sample Size

Estimate how many effective training samples a set of augmentation transforms actually adds, from the number of transforms and repeat factor. Use it to judge whether your dataset is large enough.

📐 計算公式 / 原理
理論擴充量 = 基數 × 增強倍數;有效等效量 = 基數 × [1 + (倍數 − 1) × 多樣性係數]
資料增強的收益取決於"新增樣本帶來多少新資訊":若變換高度相似(旋轉 1°),多樣性係數趨近 0,擴得再多也只是重複;係數接近 1 才算真正等效的新資料。有效量超過數千後邊際收益迅速下降。

📐 計算公式與說明

有效量 ≈ 原始樣本 × [1 + (aug − 1) × 多樣性係數]

過度增強可能引入噪聲。

📚 深度解析:資料增強有效量

💡 常見使用場景

增強組合估算
原始 1000 張,施加翻轉/旋轉/色彩 3 類各 2 檔共 8 種組合 → 等效≈1000×8=8000 張。若同一變換重複 3 次,有效增益遠低於 3 倍,因樣本高度相關。

❓ 常見問題(FAQ)

增強越多越好嗎?
否。過度或不當增強(如旋轉破壞方向語義)會引入噪聲甚至錯誤標籤,反而損害訓練。應以驗證集表現而非數量為準。
增強樣本算獨立樣本嗎?
不算。它們與原始高度相關,對泛化的貢獻低於等量真實標註資料;擴增主要起正則化作用。