[实践笔记]图像处理-数据扩充（一）

前言： 有效的数据扩充不仅能扩充训练样本数量，还能增加训练样本的多样性，一方面可以避免过拟合，另一方面还会带来模型性能的提升。

一、简单的数据扩充

1. 水平翻转
2. 随机扣取
3. 尺度变换
4. 旋转变换
5. 色彩抖动

二、 特殊的数据扩充

2.1 Fancy PCA

首先对所有训练数据R，G，B像素值进行主成分分析操作，得到对应的特征向量$P_i$和特征值${\lambda }_i(i=1,2,3)$，然后根据特征向量和特征值可以计算一组随机值$[p_1,p_2,p_3][{\alpha }_1{\lambda }_1,{\alpha }_2{\lambda }_2,{\alpha }_3{\lambda }_3{]}^T$，将其作为扰动加到原像素值中即可。其中，${\alpha }_i$取自以0为均值，标准差为0.1高斯分布的随机值。在没经过一轮训练（epoch）后，${\alpha }_i$将重新随机选择并重复上述操作对原像素值进行扰动。

2.2 监督式数据扩充

1. 根据元数据训练一个分类的初始模型。
2. 利用该模型，对美征途生成对应的特征图（activation map）和热力图（heat map）。这张特征图可指示图像区域与场景标记间的相关概率
3. 根据此概率因社会原图选择较强相关的图像区域作为扣去的图像块。