Mosaic augmentation یک تکنیک افزایش داده است که در بینایی کامپیوتر و یادگیری عمیق استفاده می شود. این شامل ترکیب چندین تصویر در یک تصویر موزاییکی و سپس استفاده از این تصویر موزاییک به عنوان یک نمونه آموزشی است. ایده پشت تقویت موزاییک ارائه مدل با زمینه اضافی و افزایش تنوع داده های آموزشی است.
در تشخیص اشیا، Mosaic augmentation می تواند برای تولید نمونه های آموزشی متنوع تر و چالش برانگیزتر مورد استفاده قرار گیرد. به عنوان مثال، به جای آموزش یک مدل بر روی تصاویر فردی، می توان یک موزاییک چهار تصویر ایجاد کرد و به عنوان نمونه آموزشی استفاده کرد. این می تواند به مدل کمک کند تا اشیا را در شرایط نوری، مقیاس ها و حالت های مختلف تشخیص دهد.
Mosaic augmentation با انتخاب تصادفی چندین تصویر آموزشی و ترکیب آنها در یک تصویر موزاییک اجرا می شود. اشیاء در تصاویر اصلی همچنین می توانند به طور تصادفی در تصویر موزاییک قرار گرفته و اندازه آنها را تغییر دهند تا تنوع بیشتری در داده های آموزشی ایجاد شود.
Mosaic augmentation یک تکنیک مفید برای بهبود استحکام و تعمیم مدل‌های تشخیص شی است. این می تواند به جلوگیری از برازش بیش از حد و بهبود عملکرد مدل در داده های جدید و نادیده کمک کند.