数据增强

训练时增强

数据增强主要是为了满足多变的测试场景，翻转 flip / 裁剪crop / 变色(colorjittor) 是最常用的

1. 工具：https://github.com/aleju/imgaug
2. 自动的增强方法：Autoaugment: Learning augmentation strategies from data
3. 把多种颜色变化通过参数的形式结合在一起：亮度、对比度、饱和度、色调 torchvision.transforms.colorjittor(brightness, contrast, saturation, hue)

测试时增强

1. 如 imagenet 上 做的 图片正中间裁剪 (centor crop)，把短边留下，长边裁剪到正方形，resize到224x224
2. 测试时增强会增加开销。但比赛中可以用，例如多种随机crop

数据增强和数据分布

1. 图片增强一般不改变数据分布，因为不改变每个类别的样本数量。
2. 图片增强因为是随机的，所以可以看作是均值不变、方差变大
3. 图片增强会带来数据量增加、数据多样性增加
4. 训练和测试数据的分布要保持一致，不是指的pixel层面，一般是指的每个类别的样本数量，各种 shift (ics, domain shift 等等)