一些图像数据数据扩充（扩样本）方法
避免过拟合的基本方法之一是从数据源获得更多数据，当训练数据有限时，可以通过数据增强（data augmentation）变换原有的数据生成新的数据来扩大训练集。即使拥有大量数据，进行数据增强也是有必要的，因为可以防止神经网络学习到不相干的模式，从根本上提升整体性能。还要注意在使用增强技术的同时，必须确保不增加无关（无意义）的数据。
数据增强的主要方法有：
第一种：图像处理型（利用一定手段生成样本空间没有的样本）
翻转flip
将图片水平或垂直翻转。
旋转rotate
旋转后图像维度可能不会被保留，如果是正方形图像，旋转90度后图像的尺寸会被保存；
如果图像是长方形，旋转180度后图像的尺寸也会被保存；
但用更小的角度旋转图像将会改变最终图像的尺寸。
缩放re-scale
图像可以被放大或缩小，放大时大多数图像处理框架会按原始尺寸对放大后的图像进行裁剪；缩小时由于图像尺寸比原来的尺寸小，不得不对图像边界之外的内容做出假设。先考虑放大的情况：
裁剪crop
随机从原始图像中采样一部分，然后将这部分图像调整为原始图像大小。注意裁剪和缩放的区别。
平移pad
将图像沿X或Y轴或同时沿2个方向移动，这一数据增强方法非常有用，因为大多数对象有可能分布在图像的任意位置，这迫使CNN网络需要看到所有的地方。
插值interpolation
当旋转、平移或者缩小一个没有纯色背景的图片，且又需要保持原始图片的大小时，需要对边界之外没有任何信息的区域做出假设。最简单的假设是令边界外的部分每一个像素点的值都是常数0（RGB值=0为黑色），这样在对图像进行变换后，在图像没有覆盖的地方会得到一块黑色的区域。
大多数情况下最简单假设的效果不好，可以采用以下方式填充未知的空间：
常数填充、边缘填充、反射填充、对称填充、包裹模式填充
（1）常量填充：适用于在单色背景下拍摄的图像；
（2）边缘扩展：用图像边缘的值填充边界以外，适用于轻微平移的图像；
（3）反射：图像像素值沿图像边界进行反射，适用于包含连续或自然背景的图像；
（4）对称：类似反射，除了在反射边界上进行边缘像素copy。通常反射和对称可以交替使用，但在处理非常小的图像时，差异将是可见的；
（5）包裹：在边界以外重复填充图像，相当于平铺图像，这种方法不像其他方法那样普遍被使用，因为它对很多场景都没有意义。
还可以自定义方法处理未知区域（如近大远小等），但通常以上方法对大多数分类问题都有很好的效果。
高斯噪声Gaussian noise
过拟合经常会发生在神经网络试图学习高频特征（即频繁出现的无意义的模式）时，而学习这些高频特征对模型提升并没有什么帮助。采用具有零均值特性的高斯噪声，在所有频率上都能产生数据点，可以有效的使高频特征失真，减弱其对模型的影响。但这也意味着低频成分（通常是关心的特征）同时会受到影响，由于能够通过学习来忽略影响，添加适量的噪声能够有效提升神经网络的学习能力。
一个弱化的版本是椒盐噪声，以随机的白色和黑色像素点呈现并铺满整个图片。这种方式对图像产生的作用和添加高斯噪声产生的作用是一样的，只是效果相对较差。
对比度变换contrast
在图像的HSV（Hue，Saturation，Value）颜色空间，改变饱和度S和亮度V分量，保持色调H不变，对每个像素的S和V分量进行指数运算（指数因子在0.25到4之间），增加光照变化。
Fancy PCA（PCA Jittering）
改变训练图像中RGB通道的强度，对所有RGB像素值执行PCA，得到3*3的协方差矩阵；对特征值进行波动，乘以一个服从均值为0、标准差为0.1高斯分布的随机变量，得到一个新的协方差矩阵，从而实现一种滤镜的效果。
高级增强技术
条件型生成对抗网络（conditional GANs）能将图片从一个领域转换到另一个领域中，这种方法虽然Robust但是计算密集类型。
第二种：主动学习、半监督学习（使用原样本空间已有的样本）
这里的半监督学习包含纯半监督学习和直推学习（请移步：https://www.cnblogs.com/CJT-blog/p/10276310.html）。
值得注意的是，主动学习是人工赋予标签，而此处半监督学习可以用一定的算法为无标签样本打上高质量标签。
个人体验认为，在一些图像任务中，性能较好的时候，第一种方法带来提升不如第二种大，而且需要小心注意生成样本质量。
上述分类掺杂个人理解，有问题望不吝赐教。
