一、資料增強

• 深層神經網路一般都需要大量的訓練資料才能獲得比較理想的結果。在資料量有限的情況下，可以通過資料增強（Data Augmentation）來增加訓練樣本的多樣性， 提高模型魯棒性，避免過擬合。
• 圖片資料增強通常只是針對訓練資料，對於測試資料則用得較少。後者常用的是：做 5 次隨機剪裁，然後將 5 張圖片的預測結果做均值。

• 翻轉（Flip）：將影象沿水平或垂直方法隨機翻轉一定角度；
  
• 旋轉（Rotation）：將影象按順時針或逆時針方向隨機旋轉一定角度；
  
• 平移（Shift）：將影象沿水平或垂直方法平移一定步長；
  
• 縮放（Resize）：將影象放大或縮小；
  
• 隨機裁剪或補零（Random Crop or Pad）：將影象隨機裁剪或補零到指定大小
  
• 色彩抖動（Color jittering）：HSV 顏色空間隨機改變影象原有的飽和度和明度（即，改變 S 和 V 通道的值）或對色調(Hue)進行小範圍微調。
  
• 加噪聲（Noise）：加入隨機噪聲。
• 特殊的資料增強方法：
  
  • Fancy PCA（Alexnet）& 監督式資料擴充（海康）
  • 使用生成對抗網路（GAN） 生成模擬影象
• 使用 HSV 來調整影象顏色的原理：
  
  • 通常我們會想到使用影象的 RGB 值來判斷其顏色，但是影象顏色是由這三個值共同決定的，只固定其中一個分量（比如藍色分量），很難調節另外兩個分量的配比讓其一定呈現藍色。而 HSV 則非常適合影象顏色判斷的問題。其中，H(ue) 代表色調，取值範圍為：
    0∘∼360∘$0^{\circ }\sim {360}^{\circ }$，紅色為 0∘$0^{\circ }$，綠色為 120∘${120}^{\circ }$，藍色為 240∘${240}^{\circ }$；S(aturation)代表飽和度，取值範圍為：0%∼100%$0\mathrm{\%}\sim 100\mathrm{\%}$，值越大，色彩越飽和；V(alue) 代表明度，取值範圍為：0%∼100%$0\mathrm{\%}\sim 100\mathrm{\%}$，值越大，色彩越明亮。
  • 色調（H） 是 HSV 顏色模型中唯一與顏色本質有關的變數，所以只要固定了 H 的值，並且保持飽和度（S）和明度（V）分量不太小，那麼表現的顏色就基本可以確定了。如下圖所示，當我們固定 H=240∘$H={240}^{\circ }$ 時，只要飽和度（S）和明度（V）都大於 0.35$0.35$，那麼我們就可以認為框中的顏色均為為藍色。
    

二、資料預處理

• 在影象處理中，影象的每個畫素資訊都可以看作是一種特徵，對每個特徵減去平均值來中心化特徵是非常重要的，它可以加快模型的收斂，如下圖所示：
  
  
  
• 注意：通常是計算訓練集影象畫素的均值，之後在處理訓練集、驗證集和測試集時需要分別減去該均值。在實踐中，直接減去 128 再除以 128 或者直接做標準化處理都可以。
• 去均值與歸一化過程如下圖所示：
  

三、參考資料