資料增強（Data augmentation）

或許最簡單的資料增強方法就是垂直映象對稱，假如，訓練集中有這張圖片，然後將其翻轉得到右邊的影象，實際是做了一個映象對稱，如果映象操作保留了影象中想識別的物體的前提下，這是個很實用的資料增強技巧。

另一個經常使用的技巧是隨機裁剪，給定一個數據集，然後開始隨機裁剪，隨機裁剪並不是一個完美的資料增強的方法，如果你隨機裁剪的那一部分，這部分看起來並不能識別原本圖片中的物體。但在實踐中，這個方法還是很實用的，隨機裁剪構成了很大一部分的真實圖片。

映象對稱和隨機裁剪是經常被使用的，當然，理論上，也可以使用旋轉，剪下（shearing：此處並非裁剪的含義，影象僅水平或垂直座標發生變化）影象，可以對影象進行這樣的扭曲

變形，引入很多形式的區域性彎曲等等。

還有一個經常使用的方法是彩色轉換，有這樣一張圖片，然後給 R、G 和 B 三個通道上加上不同的失真值。這麼做的目的就是使用不同的 R、G 和 B 的值，使用這些值來改變顏色。顏色失真或者是顏色變換方法，這樣會使得你的學習演算法對照片的顏色更改更具魯棒性。

本文來自部落格園，作者：zhang-X，轉載請註明原文連結：https://www.cnblogs.com/YY-zhang/p/15075157.html