在做深度學習時，我們時常感覺到資料量不足。那麼，怎麼增加資料量呢？很明顯，資料增強是一個不錯的方法。下面我們調研了資料增強的一般方法，供讀者參考：

Color Jittering： 對顏色的資料增強： 影象亮度、 飽和度、 對比度變化（ 此處對色彩抖動的理解不知是否得當） ；
PCA Jittering： 首先按照 RGB 三個顏色通道計算均值和標準差， 再在整個訓練集上計算協方差矩陣， 進行特徵分解， 得到特徵向量和特徵值，用來做 PCA Jittering；
Random Scale： 尺度變換；
Random Crop： 採用隨機影象差值方式， 對影象進行裁剪、 縮放；
Horizontal/Vertical Flip： 水平/垂直翻轉；
Shift： 平移變換；
Rotation/Reflection： 旋轉/仿射變換；
Noise： 高斯噪聲、 模糊處理；
Label shuffle： 類別不平衡資料的增廣。