PCA的数据增广：
比如对数据进行PCA操作，比如取前5个主成分，对主成分进行加随机系数，再进行PCA还原，产生了新的数据。
label smoothing：
采用了非one-hot的标签集减轻了过拟合的方法
MIXUP：
X = aXi+(1-a)Xi-1
Y = aYi+(1-a)Yi-1
生成四不像图片，标签也为一个非one-hot的标签
Random Erasing：
随机覆盖
有监督的进行数据增广：
利用多层卷积+GMP+全连接训练网络
通过最后一层卷积用全连接权重进行加权平均，生成热力图，通过热力图找到显著点。围绕显著点进行crop（随机切割）
半监督学习：
在线学习，通过实时流的数据进行判断，如果可信度高的话，就可以拉入网络继续训练。
GAN数据生成：
用其他的分类器去判断GAN生成的数据是不是有训练价值的。
首先需要保证的是SVM分类器的效果要好，怎么判断SVM的效果好呢？那么需要给SVM分类器打分，比如我有1000张BUS图片，1000张不是BUS的图片，我用500+500去训练一个SVM，再把另外的500+500放进去判断，这样就可以得到2个准确率，一个是训练的准确率，还有一个是测试的准确率。然后score = 0.4score1+0.6score2就是最后的分数。
然后通过GAN生成一批BUS和非BUS数据，取出支持向量，加入第一次的500+500，训练SVM，然后把真实的500+500和500+500带入看看分数，如果分数有提高，表明生成的数据训练的SVM分类器的效果比真实数据要好，我们就可以把这些支持向量数据拿去做训练了。
如何去选择增广方案：
class conditional
每种增广方式都做一遍，看看每类数据在不同的增广下的变化，是变好了还是变坏了。