迁移学习扩充数据集样本数量

数据扩增

• 基于图像处理的数据扩增

• 几何变换
• 灰度与彩色空间变换
• 添加噪声和滤波
• 图像混合
• 随机擦除

• 基于深度学习的数据扩增

• 基于GAN的数据增强
• 神经风格转换(Neural Style Transfer)

• 使用pytorch(torchvision)进行数据增强
• 总结

基于图像处理的数据扩增

几何变换

• 旋转
• 缩放
• 反转
• 裁剪
• 平移

作用：几何变换可以有效地对抗数据中存在的位置偏差、视角偏差、尺寸偏差，而且易于实现，非常常用

灰度与彩色空间变换

• 亮度调整
• 对比度、饱和度调整
• 颜色空间变换
• 色彩调整
  作用：对抗数据中存在的光照、色彩、亮度偏差

添加噪声和滤波

• 注入高斯噪声、椒盐噪声等
• 滤波：模糊、锐化
  作用：提升模型在面对噪声时候的鲁棒性，帮助学习更泛化的特征。

图像混合

这一点的用途，在cnn上我目前想不粗来。。。但是应该还是能提升模型的鲁棒性的把。

随机擦除

这一点是比较符合实际情况的，在实际的运用当中，我们的物体会被各种各样的东西挡住，所以在训练中应该有这类数据的存在，提升模型的泛化能力。

基于深度学习的数据扩增

基于GAN的数据增强

通过训练一个GAN网络来生成一些图片。用来解决一些训练集分布不均衡的问题。

神经风格转换(Neural Style Transfer)

通过神经网络风格迁移来生成不同风格的数据，从而防止模型的过拟合。

使用pytorch(torchvision)进行数据增强

pytorch的数据增强方法主要在torchvision中的transforms中。将图片放出，无需记住，只需要在用到的时候查找就可以了。

总结

数据增强可以有效地防止过拟合。而且数据的预处理对最后的效果也占了很大的比重。