Data Augmentation 数据增强

数据增强往往需要考虑图像的边界之外的元素，通常需要插入一些值。

 

1、翻转（Flip）

水平和垂直翻转，翻转后的图像大小与原来的图像大小相同，不需要对图像的边界进行插值或者其他操作。

 

2、旋转（Rotation）

旋转很可能会导致图像的大小前后不一致（一些精细角度的旋转）。

 

3、缩放比例（Scale）

向外缩放时，最终的图像尺寸将大于原始的图像尺寸，需要进项裁剪操作；向内缩放时，图像尺寸将小于原来的尺寸，需要进行边界的填充。

 

4、裁剪（Crop）

从原来的图像中随机抽样一部分，然后将此部分的大小重新调整为原始图像的大小。

 

5、移位（Translation）

移位只涉及X或者Y方向移动图像，使得大多数对象可以位于图像的任何位置，使得卷积神经网络可以看到图像中的所有角落。

 

6、高斯噪声（Gaussian Noise）

当神经网络开始学习无用的高频的噪声特征时，通常容易发生过拟合。均值为零的高斯噪声基本上在所有频率中具有数据点，从而有效的扭曲高频特征，意味着较低频率的组件（一般是预期的数据）也会失真，适量增加噪声可以使神经网络超越噪声，增强学习能力。

 

7、错切（shearing）

图像以它的中心垂直轴不变动的变形方式，是特殊类型的线性变换。

 

 

对于增强后的图像，最简单的插值方法有（1）常数（2）边界值  （3）反射，图像像素沿着图像的边界反射  （4）对称 ，与反射类似

 

-----------------------------------------------------------------------------------------------------------------------------------------------------------

一些高级图像增强技术，比如条件GAN和风格转移，可以增强对光照和季节的变化， 但是计算量比较大。

总的来说，原来非常相似的图像经过增强后，会变得非常不同，增加了数据的多样性，有助于算法的鲁棒性。即使数据集本身的数据量已经很大，经过数据增强后，算法的效果依然能够得到提升。

 

注： 如果数据集中有部分图像质量较差，如分辨率低，或者 噪声明显，建议剔除这部分数据，否则可能会影响模型效果。