【DeepLearning】深度学习上的图像增广（image augmentation）

图像增广（image augmentation）技术通过对训练图像做一系列随机改变，来产生相似但又不同的训练样本，从而扩大训练数据集的规模。

图像增广的另一种解释是，随机改变训练样本可以降低模型对某些属性的依赖，从而提高模型的泛化能力。

简单说就是，通过一些技巧，让图像数据变多；

图像增广基于现有训练数据生成随机图像从而应对过拟合。

---

常用的图像增广方法

1、翻转

翻转：左右翻转图像通常不改变物体的类别。最广泛使用的一种图像增广方法，一般采用图像左右翻转，上下翻转不如左右翻转通用；

2、裁剪

裁剪：通过对图像随机裁剪来让物体以不同的比例出现在图像的不同位置，这同样能够降低模型对目标位置的敏感性。

（池化层能降低卷积层对目标位置的敏感度）

3、变化颜色

改变图像的颜色：亮度、对比度、饱和度和色调。随机变化图像颜色；

亮度（brightness）、对比度（contrast）、饱和度（saturation）和色调（hue）；

4、叠加多个图像增广方法

同时使用多个方法叠加来进行图像增广；