数据增广笔记

深度学习数据增强笔记

首先，网络上已经有了各种的常见增广方法，如旋转，平移色彩抖动等，需要的麻烦见下面的博客。

https://blog.csdn.net/jizhidexiaoming/article/details/89136823

https://blog.csdn.net/lovebyz/article/details/8096611

https://zhuanlan.zhihu.com/p/41679153

本文的写作目的是为了提醒自己除了上述的常见增广方法外，还有一些高阶的增强方法，如利用神经风格迁移或者gan来生成更多的图片，以及图像合成。图像合成有时候能给我们提供大量的数据，但是其也有一些限制。总的来说，要记得数据合成这种有效方法，也要记住数据合成这种方法的挑战：有时候，合成的数据在人看来很真实，但是在机器看来就没有那么真实了。在合成数据的时候，要有意识的提醒自己是不是真的合成出了有代表性的样本。尽量避免使用那些能够被学习算法识别出人工合成的痕迹，比如所有数据都是从20种车子合成而来，或是所有的音频样本都是仅由1个小时的汽车噪音而来。这个建议实际上很难遵守。当合成数据时，我们的团队有时会在产生数据之前花上好几个星期在⼀些重要的细节上，来保证合成的数据可以足够接近真实的数据分布。如果你想正确的获知这些细节，你必须提前就接触非常大量的训练样本集。吴恩达关于数据合成的论述见博客：https://blog.csdn.net/maerdym/article/details/82932602

一些包含高阶数据增强的方法见博客：

https://zhuanlan.zhihu.com/p/265184712