技术不重要，而是思想。
原则：让训练集与测试集更接近
关于名称： 数据增强、数据扩增、数据增广 都是他。
方法分类： 空间位置：如平移 色彩：如灰度图、色彩抖动 形状：如仿射变换 上下文场景：如遮挡、填充
具体方法： 数据中心化 数据标准化 缩放 裁剪 旋转 翻转 填充 噪声添加 灰度变换 线性变换 仿射变换 亮度、饱和度及对比度变换
在深度学习模型的训练过程中，数据扩增是必不可少的环节。现有深度学习的参数非常多，一般的模型可训练的参数量基本上都是万到百万级别，而训练集样本的数量很难有这么多，数据扩增可以扩展样本空间。
扩增一般不会改变标签，对于物体检测，数据扩增会改变物体坐标位置；对于图像分割，数数据扩增方法有很多：从颜色空间、尺度空间到样本空间，同时根据不同任务数据扩增都有相应的区别。对于图像分类，数据据扩增会改变像素标签。 以 torchvision.transforms 为例，首先整体了解数据扩增的方法，包括：
-
裁剪
中心裁剪：transforms.CenterCrop(512)； # 一个参数，宽高相等 随机裁剪：transforms.RandomCrop； 随机大小、长宽比裁剪：transforms.RandomResizedCrop； 上下左右中心裁剪：transforms.FiveCrop； 上下左右中心裁剪后翻转: transforms.TenCrop。
-
翻转和旋转
依概率p水平翻转：transforms.RandomHorizontalFlip(p=0.5)； 依概率p垂直翻转：transforms.RandomVerticalFlip(p=0.5)； 随机旋转：transforms.RandomRotation(degrees, resample=False, expand=False, center=None)。 degrees：旋转角度，当为一个数a时，在（-a，a）之间随机旋转 resample：重采样方法 expand：旋转时是否保持图片完整，只针对中心旋转 center：设置旋转中心点
-
随机遮挡
对图像进行随机遮挡: transforms.RandomErasing。
-
图像变换
尺寸变换：transforms.Resize； 标准化：transforms.Normalize； 填充：transforms.Pad； 修改亮度、对比度和饱和度：transforms.ColorJitter； 转灰度图：transforms.Grayscale； 依概率p转为灰度图：transforms.RandomGrayscale； 线性变换：transforms.LinearTransformation()； 仿射变换：transforms.RandomAffine； 将数据转换为PILImage：transforms.ToPILImage； 转为tensor，并归一化至[0-1]：transforms.ToTensor； 用户自定义方法：transforms.Lambda。
-
对transforms的选择操作，使数据增强更灵活
transforms.RandomChoice(transforms列表)：从给定的一系列transforms中选一个进行操作； transforms.RandomApply(transforms列表, p=0.5)：给一个transform加上概率，依概率进行选择操作； transforms.RandomOrder(transforms列表)：将transforms中的操作随机打乱。
-
自定义transforms方法
注意事项：
仅有一个参数，返回一个参数 注意上下游的输出与输入 通过类方法实现多参数的传入 class Mytransforms(object): def __init__(self,...): ''' 初始化函数，在这里出入多参数 ''' pass def __call__(self, img): ''' 1. 仅有一个参数img，仅返回一个参数img 2. 在这里实现功能 ''' pass return img
常用的数据增强库
- torchvision
pytorch官方提供的数据增强库，提供了基本的数据增强方法，可以无缝与torch进行集成；但数据增强方法种类较少，且速度中等；
- imgaug
imgaug是常用的第三方数据增强库，提供了多样的数据增强方法，且组合起来非常方便，速度较快；
- albumentations
是常用的第三方数据增强库，提供了多样的数据增强方法，对图像分类、语义分割、物体检测和关键点检测都支持，速度较快。
