PCA的資料增廣：
比如對資料進行PCA操作，比如取前5個主成分，對主成分進行加隨機係數，再進行PCA還原，產生了新的資料。

label smoothing：
採用了非one-hot的標籤集減輕了過擬合的方法

MIXUP：
X = aXi+(1-a)Xi-1
Y = aYi+(1-a)Yi-1
生成四不像圖片，標籤也為一個非one-hot的標籤

Random Erasing：
隨機覆蓋

有監督的進行資料增廣：
利用多層卷積+GMP+全連線訓練網路
通過最後一層卷積用全連線權重進行加權平均，生成熱力圖，通過熱力圖找到顯著點。圍繞顯著點進行crop（隨機切割）

半監督學習：
線上學習，通過實時流的資料進行判斷，如果可信度高的話，就可以拉入網路繼續訓練。

GAN資料生成：
用其他的分類器去判斷GAN生成的資料是不是有訓練價值的。
首先需要保證的是SVM分類器的效果要好，怎麼判斷SVM的效果好呢？那麼需要給SVM分類器打分，比如我有1000張BUS圖片，1000張不是BUS的圖片，我用500+500去訓練一個SVM，再把另外的500+500放進去判斷，這樣就可以得到2個準確率，一個是訓練的準確率，還有一個是測試的準確率。然後score = 0.4score1+0.6score2就是最後的分數。
然後通過GAN生成一批BUS和非BUS資料，取出支援向量，加入第一次的500+500，訓練SVM，然後把真實的500+500和500+500帶入看看分數，如果分數有提高，表明生成的資料訓練的SVM分類器的效果比真實資料要好，我們就可以把這些支援向量資料拿去做訓練了。

如何去選擇增廣方案：
class conditional
每種增廣方式都做一遍，看看每類資料在不同的增廣下的變化，是變好了還是變壞了。