图像增广

为什么要使用图像增广

1. 防止过拟合：深度学习模型，尤其是复杂的模型，容易在训练数据上过拟合，即模型记住了训练数据中的特定细节而不是学习到通用的特征。图像增广通过引入变化的训练样本（相当于给训练样本添加噪声）帮助模型学习更鲁棒的特征，从而减少过拟合。
2. 增加数据多样性：在实际应用中，输入到模型的图像可能会有各种不同的变化，如不同的拍摄角度、光照条件、尺度等。图像增广可以模拟这些变化，使模型能够更好地泛化到新的、未见过的数据。
3. 扩充数据集：对于一些数据集较小的情况，图像增广可以有效地增加训练样本的数量，从而提高模型的性能。
4. 提高模型的鲁棒性：通过图像增广，模型学会了对输入图像的小变化不敏感，这提高了模型在实际应用中的鲁棒性，例如对于噪声、遮挡等干扰的抵抗能力。

常见的图像增广方法

常见的图像增广技术包括：

• 几何变换：如旋转、缩放、裁剪、翻转等。
• 颜色变换：如亮度、对比度、饱和度的调整。
• 噪声添加：如高斯噪声、椒盐噪声等。
• 遮挡和裁剪：如随机遮挡图像的一部分，或者进行随机裁剪。
• 透视变换：模拟不同的视角和拍摄条件。

在实际使用时，可以根据具体任务和数据集的特点选择合适的图像增广方法。例如，对于人脸识别任务，可能不希望使用过于剧烈的几何变换，以免改变人脸的关键特征；而对于一般的物体识别任务，可以更自由地使用各种增广技术。

可以使用torchvision等库来对图像进行增广操作