画像強調
これにより、トレーニングデータセットのサイズを拡大し、類似しているが異なった訓練サンプルを生成するために、トレーニング画像にランダムな一連の変更を行うことで、画像（画像増強）技術を拡張。画像は別の説明は、学習サンプルがランダムに変化するモデルは、これにより、モデルの汎化能力を向上させること、特定のプロパティへの依存を減らすことができるということです増補しました。例えば、我々はそうのような様々な場所での関心のオブジェクトは、オブジェクトの出現位置のモデル依存性を低減するように、画像の異なる実施形態を切断することができます。我々はまた、色のモデルの感度を低減するために、輝度、色および他の要因を調整することができます。それは成功した年AlexNetで、言うことができる、画像増強技術が貢献しました。このセクションでは、広く技術でコンピュータビジョンで使用されて説明します。
一般に使用される方法は、画像を増強しました
- フリップやトリミング
通常のオブジェクトのカテゴリを変更しない画像を反転することについて。これは、画像の増強方法早いと最も広く使用されています。画像（またはそう）フリップの確率の半分のレベルを達成するためにtorchvision.transformsモジュールによってRandomHorizontalFlipインスタンスを作成してみましょう。
共通として良い程度フリップ逆さま。しかし、少なくとも、サンプル画像のため、逆さまには、認知障害を引き起こすことはありません。のは、確率画像垂直（上下）の半分を達成するためにRandomVerticalFlipインスタンスを作成してみましょうフリップ。 - 色の変更
やその他の方法は、変更色を増強しています。輝度（明るさ）、コントラスト（コントラスト）、飽和（彩度）及び色調（色相）：我々は、4つの側面からの画像の色を変更することができます。また、ランダムに画像の色合いを変更することができます。同様に、我々は、ランダムに画像のコントラストを変更することができます。
我々はまた、画像（輝度）、コントラスト（コントラスト）、飽和（彩度）及び色調（色相）の明るさを同時にランダムなバリエーションを提供することができます。 - 複数の画像の重ね合わせは、方法増補
我々が使用する方法を増強し、複数の画像をオーバーレイします実用的なアプリケーションを。画像の我々は複数のCompose例により重畳される上記に規定された方法を拡張し、各画像の上部に適用することができます。