数据增强总结

数据增强方式：

（1）传统数据增强，包括crop，translate，zoom，hue等

（2）GAN（CycleGAN）。生成的图片和真实图片差距较大，损失函数定义为分类偏差。

（3）插值式，SMOTE，MIXUP等算法生成新图片

（4）迁移学习

（5）特征融合，特征手动提取

 

论文总结：

《The Effectiveness of Data Augmentation in Image Classification using Deep》

本论文设计一个agument网络+classify网络，agument网络随机抽取两张相同类别的图片生成新的图片，然后送进classify网络做分类评判，目标函数是agument loss+classify loss。

当准确率比较高，效果比较好时，数据增强提升不大。分类难度越大，数据越少，使用数据增广提升越明显。

传统数据增强方式还是比较有效的，还有GAN和论文提到的增强方法也比不增强的准确率要高。

使用数据增强后，训练的准确率可能会有所下降，关键是看测试的准确率是否上升。