1、 数据增广（Data Augmentation）快速总结：镜像（flip）旋转（rotation）缩放（scale）裁剪（crop）平移（translation）高斯噪声（gaussion noise）图像亮度、饱和度和对比度变化PCA JitteringLable shuffleSDA生成对抗网络（generative adversi network）注：crop、flip、scale是大杀器，color augmentation甚至导致反作用。
2、 数据增广方法2.1 镜像（Flip）您可以水平和垂直翻转（flip）图像。某些框架不提供垂直翻转功能。但是，垂直翻转相当于将图像旋转180度然后执行水平翻转。以下是翻转图像的示例[1]。从左边开始，为原始图像，然后水平翻转图像，然后垂直翻转图像。
3、2 旋转（Rotation）关于此操作需要注意的一件事是旋转后图像尺寸可能无法保留。如果您的图像是正方形，则以直角旋转它将保留图像大小。如果它是一个矩形，旋转180度将保持大小。以更精细（finer）的角度旋转图像也会改变最终的图像尺寸。我们将在下一节中看到我们如何处理这个问题。以下是以直角旋转的方形图像的示例。上图从左向右，图像相对于前一个图像顺时针（clockwise）旋转90度。
4、3 缩放（Scale）图像可以向外缩放（放大）或者向内缩放（缩小）。如向外缩放（scaling outward）时，最终图像尺寸将大于原始图像尺寸，然后大多数图像框架从放大的新图像中剪切出一个部分，其大小等于原始图像。我们将在下一节中处理向内缩放，因为它会缩小图像大小，迫使我们对超出边界的内容做出假设。以下是放大的示例或图像。从左边开始，为原始图像，图像放大10％再裁剪，图像放大20％再裁剪
5、4 裁剪（Crop）与缩放不同，我们只是从原始图像中随机抽样（sample）一个部分。然后，我们将此部分的大小调整为原始图像大小。这种方法通常称为随机裁剪（r锾攒揉敫andom cropping）。以下是随机裁剪的示例。仔细观察，您会发现此方法与缩放之间的区别。注：数据增广中的缩放与裁剪区别在于crop和resize的顺序，缩放是先resize再crop，而裁剪时先crop再resize。顺序不同，对生成的图像影响很大，所以缩放和裁剪不能混为一谈。从左边开始，为原始图像，从左上角裁剪的正方形区域，然后是从右下角裁剪的正方形区域。将裁剪的局部区域 resize为原始图像大小。
6、5 平移（Translation）平移（translation）只涉及沿X或Y方向（或两者）移动图像。在下面的示例中，我们假设图像在其边界之外具有黑色背景，并且做适当的平移。这种增广方法非常有用，因为大多数对象几乎可以位于图像的任何位置。这迫使你的卷积神经网络可以无处不在的”look”。从左边开始，原始图像，图像向右平移，图像向上平移。
7、6 高斯噪声（Gaussian Noise）当您的神经网络试图学习可能无用的高频特征（大量出现的图案）时，通常会发生过拟合（over-fitting）。具有零们倪玺骋均值的高斯噪声基本上在所有频率中具有数据点（data points），从而有效地使高频特征失真（distorting）。这也意味着较低频率的元素（通常是您的预期数据）也会失真，但你的神经网络可以学会超越它。添加适量的噪声可以增强学习能力。简单来说，给图像添加高斯噪声，会生成极为有用的图像，增加了有效样本，对训练网络有好处。从左边开始，原始图像，添加了高斯噪声的图像，添加了椒盐噪声的图像其实还有一些基本的数据增广方法，如色彩抖动（color jittering）、对比度变换（contrast）[2]、PCA Jittering
