摘要：
还在为数据集大小发愁吗？试试数据增强方法吧。
在图像分类任务中，图像数据增强一般是大多数人会采用的方法之一，这是由于深度学习对数据集的大小有一定的要求，若原始的数据集比较小，无法很好地满足网络模型的训练，从而影响模型的性能，而图像增强是对原始图像进行一定的处理以扩充数据集，能够在一定程度上提升模型的性能。本文是我目前正在研究一项内容，总结图像数据增强的一些方法及其有效性。本研究的目的是学习如何增加训练数据集的大小，通过有限或少量数据来训练获得具有鲁棒性的卷积网络模型。
这项研究要求列出我们可以想到的所有图像增强方法，并列举出所有这些组合，以尝试和改善图像分类模型的性能。那么，能够想到的一些最简单的增强方法有翻转、平移、旋转、缩放，分离单个r、g、b三个颜色通道以及添加噪声。更激动人心的增强方法是比较热门的使用生成对抗网络模型，有时交替使用遗传算法和生成对抗网络。此外，还提出了一些创造性方法，例如将类似于Instagram中的高亮滤镜应用于图像、应用随机区域锐化滤镜，以及基于聚类技术添加平均图像等。本文将展示如何使用NumPy对图像进行扩充。
下面是上述提到的增强技术的总结及说明，如果你能想到其它任何方法来增强图像，并可以提高图像分类器的性能，请在留言区评论。
原始图像
增强
所有的数据增强都是在没有OpenCV库的情况下，使用Numpy完成。
翻转|Flipping
对图像进行翻转是最流行的图像数据增强方法之一。这主要是由于翻转图像操作的代码简单，以及对于大多数问题而言，对图像进行翻转操作能够提升模型的性能。下面的模型可以被认为是看到左鞋而不是右鞋，因此通过这种数据增加，模型对于看到鞋的潜在变化会变得更加鲁棒。
平移|Translations
很容易想象对完成检测任务的分类器进行平移增强能够提升其性能，好像这个分类模型试图检测鞋子何时在图像中而不是是否在图像中。这些平移操作将有助于它在无法看清整个鞋子的情况下认出鞋子来。
左移
右移
上移
下移
加噪|Noise
对图像加噪音是一种有趣的图像增强技术，现在我开始对这类操作变得更加熟悉。我已经看过很多关于对抗网络训练的有趣论文，当将一些噪音加入到图像后，模型无法对图像进行正确分类。我仍然在寻找能产生比下图更好的加噪方法。添加噪声可能有助于使得畸变更加明显，并使得模型更加鲁棒。
加噪
生成对抗网络|GAN：
我阅读了很多关于生成对抗网络的文献，文献中很多都使用生成对抗网络进行数据增强，我对此也比较感兴趣，下面是我使用MNIST数据集生成的一些图像。
GAN生成图像
正如我们从上图中看到的，它们确实看起来像数字3、7和9，但实际上，将其送进数字手写体分类器中，它们并不能被识别为对应的数字。
感谢你阅读本文，希望你现在知道如何实现对基本数据进行扩充，以改进自己搭建的分类模型！
本文作者：【方向】
本文为云栖社区原创内容，未经允许不得转载。