1.Data Augmentation

1.1 簡單的資料擴充

影象水平翻轉
隨機扣取
尺度變換和旋轉
色彩抖動：在RGB顏色空間對原有RGB色彩分佈進行輕微擾動
          也可以在HSV空間隨機改變影象原有的飽和度和明度
          （改變S和V通道的值）
          或對色調進行微調（小範圍改變H的值）

1.2 特殊的資料擴充方式

1.2.1 Fancy PCA

• 對所有訓練資料的R,G,B畫素值進行PCA,得到對應特徵向量pi$p_i$和特徵值λi(i=1,2,3)${\lambda }_i(i=1,2,3)$
• 根據特徵向量和特徵值計算一組隨機值[p1,p2,p3],
  [α1λ1,α2λ2,α3λ3]T$[p_1,p_2,p_3],[{\alpha }_1{\lambda }_1,{\alpha }_2{\lambda }_2,\alpha 3{\lambda }_3{]}^T$
• 將其作為擾動加到原畫素值，其中αi${\alpha }_i$為取自以0為均值，標準差為0.1的高斯分佈的隨機值
• 每經過一輪訓練(1個epoch)，αi${\alpha }_i$重新隨機選取，重複上述操作進行擾動

5.2.2 監督式資料擴充

適用於高層語義影象分類任務

• 先訓練一個初始分類模型
• 生成對應特徵圖/熱力圖：指示影象區域與場景標記間的相關概率。
• 可根據此概率映射回原圖選擇較強相關的影象區域進行影象扣取

6.資料預處理

中心式歸一化（mean normalization）

CNN 中，計算訓練集影象畫素均值，在處理訓練集，驗證集和測試集影象時分別減去該均值。

原理：預設自然影象是一類平穩的資料分佈，每個樣本上減去資料的統計平均值（逐樣本計算），移除共同部分