数据增强常用方式

信息來源：http://lamda.nju.edu.cn/weixs/project/CNNTricks/CNNTricks.html

用途：由於深度學習的發展，爲了加強深度學習的性能以及滿足深度學習的大數據量要求，所以需要對數據進行增強。

數據增強常用方法：

１）horizontally flipping（圖像水平鏡像）

２）random crops(剪切图像)

３）color jittering（色彩抖动 ）

４）可以同時結合以上的某幾種方法對數據同時進行處理。例如：同時對圖像進行 rotation（旋转图像）和random scaling（圖像尺度变换）

５）可以嘗試增加ＨＳＶ圖像的Ｓ值（saturation，飽和度） 和Ｖ值 （value，明度） (色调（H），饱和度（S），明度（V），通過對所有像素值乘以n次方，n的取值爲[0.25,4] ;乘以一個值，這個值的範圍在[0.7,1.4];加上一個直在[-0.1,0.1];也可以給Ｈ（Hue，色调）加上一個值，其值大小取值範圍在 [-0.1, 0.1] 

6）Krizhevsky et al. [1] 提出fancy PCA ，Fancy PCA 通過更改ＲＧＢ圖像的圖像強度

使用方法6)的步驟：

a）對訓練圖像的ＲＧＢ像素值執行ＰＣＡ算子

b) 通過以下方法增加ＲＧＢ圖像的像素值(i.e., I_{xy}=[I_{xy}^R,I_{xy}^G,I_{xy}^B]^T): [bf{p}_1,bf{p}_2,bf{p}_3][alpha_1 lambda_1,alpha_2 lambda_2,alpha_3 lambda_3]^T，這裏, bf{p}_i and lambda_i 是第i個特徵向量和相應的特徵值 ，alpha_i 是一個隨機變量（a random variable drawn from a Gaussian with mean zero and standard deviation 0.1.）

注意： each alpha_i is drawn only once for all the pixels of a particular training image until that image is used for training again。That is to say, when the model meets the same training image again, it will randomly produce another alpha_i for data augmentation。

圖像增強也可參考：http://www.bubuko.com/infodetail-1854956.html

[1] A. Krizhevsky, I. Sutskever, and G. E. Hinton. ImageNet Classification with Deep Convolutional Neural Networks. In NIPS, 2012