【问题标题】：image augmentation algorithms for preparing deep learning training set用于准备深度学习训练集的图像增强算法
【发布时间】：2017-02-27 22:44:15
【问题描述】：
为了准备大量数据集来训练基于深度学习的图像分类模型，我们通常不得不依赖图像增强方法。我想知道常用的图像增强算法有哪些，在选择时有什么注意事项吗？
【问题讨论】：
标签：
image-processing
tensorflow
deep-learning
【解决方案1】：
关于数据增强的文献非常多，并且非常依赖于您的应用程序类型。
我首先想到的是银河竞赛的旋转和 Jasper Snoeke 的数据增强。
但实际上，所有论文都有自己的技巧，可以在特殊数据集上获得高分，例如在裁剪图像之前将图像拉伸到特定大小或以非常特定的顺序进行其他操作。
在 CIFAR 或 IMAGENET 等模型上训练模型更实用，除了明显的翻转和噪声添加外，还使用随机裁剪和随机对比度、亮度扰动。
查看 TF 网站上的 CIFAR-10 教程，这是一个好的开始。 Plus TF 现在有random_crop_and_resize() 非常有用。
编辑：我引用的论文 here 和 there。
【解决方案2】：
这取决于你必须解决的问题，但大多数时候你可以做到：
- 旋转图像
- 翻转图像（X 或 Y 对称）
- 添加噪音
- 所有以前的同时。