Data Augmentation 策略 数据增强是提高模型性能和泛化能力的重要方法.
深度学习数据增强策略主要有：
- 随机调整 - Random resize
- 平移 - Shift
- 水平/垂直翻转 - Horizontal/Vertical flip
- Rotation/Reflection 旋转/仿射变换
- Noise - 高斯噪声，模糊处理</p>
- 颜色增强 - Color Augmentation，包括色彩饱和度、亮度和对比度等.</p>
- PCA Jittering 首先，按照 RGB 三个颜色通道计算均值和方差，规范网络输入数据； 然后，计算整个训练数据集的协方差矩阵，进行特征分解，得到特征向量和特征值，以作 PCA Jittering.</p>
- <p>随机图像插值 - Random Image Interpolation，主要是在图像裁剪和缩放时采用.</p>
- <p>裁剪采样 - Crop Sampling，从原始图像中缩放裁剪，得到网络输入. 常用有两种方式：
- Scale Jittering，如 VGG 和 ResNet；</p>
- <p>尺度和长宽比增强变换 - Scale and aspect ratio augmentation，如 Google Inception 网络； 其缺点：随机选择 crop center 时，可能出现选择的区域不包含目标物体的区域.
</p>
- <p>监督数据增强 - Supervised Data Augmentation(SDA) (海康威视2016提出)</p>
- <p>类别标签不均衡问题 - Imbalanced Class Problem. 数据集中各类别所包含的样本数可能很不均匀，有的类别包含样本数很多，有的类别包含样本数很少. 海康威视2016 受 Class-Aware Sampling方法启发提出 Label Shuffling/Label Smoothing 策略. </p>
<h2>Reference</h2>
<p>[1] - 深度学习大讲堂 - 海康威视研究院ImageNet2016竞赛经验分享
[2] - 使用深度学习(CNN)算法进行图像识别工作时，有哪些data augmentation 的奇技淫巧？ - 知乎
[3] - 深度学习之图像的数据增强