数据增广

这里的数据增广（Data Augmentation）针对图像数据。调参从数据、算法、超参数调整、模型集成来讲解，且效果呈递减趋势。

数据部分是重点，当图像数量不足，多样性不够等问题导致训练效果不好时，对图像数据进行数据增广。

1.图像数据扩充

1.1 几何变换

几何变换包括：旋转，平移，缩放，裁剪（只关注部分区域），填充（保证图像缩放的长宽比），左右翻转等。

1.2 噪声

对图像像素添加噪声扰动，例如椒盐噪声，高斯白噪声等。

1.3 颜色变换

在图像的RGB颜色空间上进行主成分分析，然后再每个像素的RGB上添加增量。

1.4 亮度

改变图像的亮度、清晰度、对比度、锐度、饱和度、色调等。降低模型对色彩的敏感。

1.5 特征

除了直接在图像空间进行变换，还可以先对图像进行特征提取，然后在图像的特征空间进行变换。例如SMOTE（Synthetic Minority Over-sampling Technique）算法。

2.生成模型

• 采用生成对抗网络直接生成图像数据
• 利用风格迁移的模型生成相应风格的数据

3.迁移学习

如果有预训练好的模型，载入此模型。然后用小批量的训练数据进行微调（fine-tune），这是一种简单的迁移学习。