Datawhale训练营 CV task3

补充一下数据增强的方法。

1. 几何变换

• 翻转：包括水平翻转（左右翻转）和垂直翻转（上下翻转），可以生成镜像对称的图像样本。
• 旋转：将图像按照某个中心点进行旋转，可以是随机角度或特定角度，以增加模型对旋转变化的鲁棒性。
• 平移：将图像按照某个方向进行平移，可以是随机距离或特定距离，帮助模型学习平移变换特征。
• 缩放：对图像进行放大或缩小，可以是随机比例或特定比例，增强模型对尺度变化的适应性。
• 裁剪：从图像中随机或特定位置裁剪出一部分区域作为新的图像样本，有助于模型学习局部特征。

2. 颜色空间变换

• 色彩变换：包括调整图像的亮度、对比度、饱和度等，可以生成不同光照和色彩条件下的图像样本。
• 灰度化：将彩色图像转换为灰度图像，减少颜色信息对模型的影响，专注于形状和纹理特征。
• 色彩抖动：对图像的色彩通道进行随机变换，如色彩浅化、色彩饱和等，增加色彩多样性。

3. 其他增强方法

• 添加噪声：为图像添加随机噪声，如椒盐噪声、高斯噪声等，提高模型对噪声的鲁棒性。
• 模糊处理：对图像进行模糊处理，如高斯模糊、均值模糊等，模拟不同清晰度的图像。
• 混合图像：将两个或多个图像进行混合，如CutMix和MixUp方法，生成新的训练样本，促进模型对类别之间的平滑过渡。
• 生成对抗网络（GAN）：利用GAN生成与原始样本相似的新样本，进一步增加数据集的多样性。