1、問題描述

收集數據準備微調深度學習模型時，經常會遇到某些分類數據嚴重不足的情況，另外數據集過小容易造成模型的過擬合。

本文參考一些網友對于數據增強方法的一些tips，后續會附上自己實現的C++代碼；

?

2、data augmentation常用方法

?

• Color Jittering：對顏色的數據增強：圖像亮度、飽和度、對比度變化（此處對色彩抖動的理解不知是否得當）；
• PCA ?Jittering：首先按照RGB三個顏色通道計算均值和標準差，再在整個訓練集上計算協方差矩陣，進行特征分解，得到特征向量和特征值，用來做PCA?Jittering；
• Random Scale：尺度變換；
• Random Crop：采用隨機圖像差值方式，對圖像進行裁剪、縮放；包括Scale Jittering方法（VGG及ResNet模型使用）或者尺度和長寬比增強變換；
• Horizontal/Vertical Flip：水平/垂直翻轉；
• Shift：平移變換；
• Rotation/Reflection：旋轉/仿射變換；
• Noise：高斯噪聲、模糊處理；
• Label shuffle：類別不平衡數據的增廣，參見海康威視ILSVRC2016的report；另外，文中提出了一種Supervised Data Augmentation方法，有興趣的朋友的可以動手實驗下。

?

參考：

海康威視研究院ImageNet2016競賽使用的數據增強方法；

知乎小白在閉關對數據增強的理解；

深度學習之圖像的數據增強；

--------------------- 作者：Bicelove 來源：CSDN 原文：https://blog.csdn.net/u010555688/article/details/60757932?utm_source=copy 版權聲明：本文為博主原創文章，轉載請附上博文鏈接！

總結

以上是生活随笔為你收集整理的data augmentation 数据增强方法总结的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。