Backto DLCV
CV模型通常都需要大量的图像数据集来训练，但是现实中可用的dataset 通常是很有限的。高质量的大规模数据集，通常由公司组织大量人力物力来标注，作为公司的核心资产，不会轻易 open source。使用 CV 技术解决一个新的领域问题（比如遥感图像检测森林火灾），甚至需要从 0 开始自己准备数据集。而数据集过小，极容易发生过拟合。
如何充分利用 有限的数据集，训练出最优的模型，达到满意的效果，是一门靠经验去积累的手艺。
data augmentation 就是验证可行且效果优异的可靠路径之一。具体方法罗列如下
空间变换
- horizontally flipping: 左右水平翻转，(上下垂直翻转不多用)
- random crops：随机裁剪
- Random Scale：尺度变换
- Scale Jittering:（VGG及ResNet模型使用）或者尺度和长宽比增强变换
- Shift：平移变换
- Rotation/Reflection：旋转/仿射变换
色彩空间变换
color jittering
对颜色的数据增强：图像亮度、饱和度、对比度变化等。
you can try to raise saturation and value (S and V components of the HSV color space) of all pixels to a power between 0.25 and 4 (same for all pixels within a patch), multiply these values by a factor between 0.7 and 1.4, and add to them a value between -0.1 and 0.1. Also, you could add a value between [-0.1, 0.1] to the hue (H component of HSV) of all pixels in the image/patch.
(fancy) PCA Jittering
首先按照RGB三个颜色通道计算均值和标准差，再在整个训练集上计算协方差矩阵，进行特征分解，得到特征向量和特征值，用来做PCA Jittering
Noise：高斯噪声、模糊处理
可以认为在训练集中加入噪声，就是给模型打疫苗，这样模型训练出来后就会对噪声免疫，泛化性能更好。用高质量的纯净的样本训练出来的模型，遇到噪声很容易挂掉。
Ref
- 【高手之道】海康威视研究院ImageNet2016竞赛经验分享: 工业级的经验分享，李沐、贾扬清等大神点赞
- 图像数据增强的 Python 代码