關於計算機視覺領域資料增強的一些常用的方法一般而言，比較成功的神經網路需要大量的引數，許許多多的神經網路的引數都是數以百萬計，而使得這些引數可以正確工作則需要大量的資料進行訓練，而實際情況中資料並沒有我們想象中的那麼多
增加訓練的資料量，提高模型的泛化能力
增加雜訊資料，提公升模型的魯棒性
如何獲得大量的資料 ：
一種方法是獲得新的資料，這種方法比較麻煩，需要大量的成本，而第二種方法則是對資料進行增強，即利用已有的資料比如翻轉、平移或旋轉，創造出更多的資料，來使得神經網路具有更好的泛化效果。
離線增強 ： 直接對資料集進行處理，資料的數目會變成增強因子 x 原資料集的數目 ，這種方法常常用於資料集很小的時候
首先定義增強因子 ： 指的是資料做離線增強之後增長的倍數。
翻轉 ：增強因子 2 或 3
資料翻轉是一種常用的資料增強方法，這種方法不同於旋轉 180 這種方法是做一種類似於鏡面的翻摺。
旋轉 ： 增強因子 2 到 4
旋轉就是順時針或者逆時針的旋轉，注意在旋轉的時候， 最好旋轉 90 － 180 度否則會出現尺度的問題
縮放 ：增強因子任意
影象可以被放大或縮小。放大時，放大後的影象尺寸會大於原始尺寸。大多數影象處理架構會按照原始尺寸對放大後的影象進行裁切。我們將在下一章節討論影象縮小，因為影象縮小會減小影象尺寸，這使我們不得不對影象邊界之外的東西做出假設。下面是影象縮放的例子。
裁剪 ：增強因子任意
這種方法更流行的叫法是隨機裁剪，我們隨機從影象中選擇一部分，然後降這部分影象裁剪出來，然後調整為原影象的大小
平移 ： 增強因子任意
平移是將影象沿著 x 或者 y 方向 （或者兩個方向） 移動。我們在平移的時候需對背景進行假設，比如說假設為黑色等等，因為平移的時候有一部分影象是空的，由於中的物體可能出現在任意的位置，所以說平移增強方法十分有用。
新增雜訊 ：增強因子任意 看雜訊的型別
過擬合通常發生在神經網路學習高頻特徵的時候 (因為低頻特徵神經網路很容易就可以學到，而高頻特徵只有在最後的時候才可以學到) 而這些特徵對於神經網路所做的任務可能沒有幫助，而且會對低頻特徵產生影響，為了消除高頻特徵我們隨機加入雜訊資料來消除這些特徵。
影象增強非常必要，我也有過親自的實驗，特別是有些**中，如果不進行增強，就無法達到**中提到的效果，下面展現一下增強的效果示意圖 ：
深度增強學習入門筆記（一）
知乎專欄智慧型單元的學習筆記，僅為自己學習所用，侵刪。openai的三個主要研究方向 1.深度生成模型 deep generative model 通過學習現有的資料生成新的資料。相關研究 1 otoro.net 學習文字自動生成新的文字 2 deep dream neural art 畫風遷移 3...
深度增強學習入門筆記（二）
知乎專欄智慧型單元的學習筆記，就真的只是一邊看一邊記的而已，僅為自己學習所用，侵刪。是增強學習領域最重要的乙個方程。使用價值函式進行決策就需要計算這個函式，那怎麼計算呢？bellman方程。簡而言之，bellman方程的作用 表明價值函式是可以迭代進行計算的。將價值函式的公式 a 表示，s代表狀態，...
深度增強學習前沿演算法思想
2016年 alphago 計算機圍棋系 勝頂尖職業棋手李世石，引起了全世界的廣泛關注，人工智慧進一步被 推到了風口浪尖。而其中的深度增強學習演算法是 alphago 的核心，也是通用人工智慧的實現關鍵。本文將 帶領大家了解深度增強學習的前沿演算法思想，領略人工智慧的核心奧秘。前言深度增強學習與通用...