数据增强介绍

        数据增强是一种重要的机器学习方法之一，是基于已有的训练样本数据来生成更多的训练数据，其目的就是为了使扩增的训练数据尽可能接近真实分布的数据，从而提高检测精度。此外，数据增强能够迫使模型学习到更多鲁棒性的特征，从而有效提高模型的泛化能力。常用的数据增强手段可以分为，基于几何变换的数据增强，其可以消除训练集和测试集的尺度、位置和视角差异等。例如，翻转、裁剪、平移和添加噪声等。基于颜色空间变换的数据增强，其可以消除训练集和测试集的光照、色彩和亮度差异等。例如，调整亮度、对比度、饱和度、通道分离和灰度图转换等。此外，还包括一些其他的数据增强方法等。例如，多样本数据增强、Cut Mix数据增强和 Mosaic 数据增强等。

数据增强的作用：

当数据不足的时候用已有的训练样本数据来生成更多的训练数据

数据增强方法：

1、翻转 2、旋转 3、比例缩放 4、裁剪 5、移位 6、高斯噪声

7、条件对抗神经网络（改变图片的季节等）