PCA颜色增强
概述
PCA颜色增强是一种数据增强技术，通过对图像 RGB 通道的主成分添加随机扰动来模拟自然光照变化，由 AlexNet 论文首次提出，可将 Top-1 错误率降低超过 1%。
关键内容
- 核心思想：对 ImageNet 所有训练图像的 RGB 像素值做 PCA（主成分分析），得到三个主成分向量及其对应的特征值。训练时，对每个图像沿主成分方向添加小的高斯扰动：
I = I + [p1, p2, p3] · [α1λ1, α2λ2, α3λ3]^T，其中 αi ~ N(0, 0.1)。 - 为什么有效：自然图像的颜色变化主要沿少数主成分方向（如整体亮度变化、暖色-冷色偏移）。PCA 颜色增强模拟了这些自然光照变化，使模型对光照条件更加鲁棒，而不是死记硬背特定颜色模式。
- 在 AlexNet 中的作用：AlexNet 使用两种数据增强——随机裁剪+翻转（空间增强）和 PCA 颜色增强（色彩增强）。两者结合使 Top-1 错误率降低超过 1%，是防止过拟合（Overfitting）的关键手段之一。
- 与现代数据增强的对比：PCA 颜色增强是最早的色彩扰动方法之一。后续发展出更丰富的色彩增强：Color Jitter（随机亮度/对比度/饱和度/色相）、Random Erasing、CutMix、MixUp、AutoAugment 等。但 PCA 颜色增强的核心思想——沿数据主成分方向扰动——仍然被广泛采用。
来源
- [raw/articles/ai-papers/foundations/paper_03_alexnet.md] — AlexNet 论文精读
相关
- 数据增强（Data Augmentation） — technique_of
- AlexNet — introduced_in
- 卷积神经网络（CNN） — regularizes
- 过拟合（Overfitting） — prevents