图像可以在轴上向左或向右旋转1到359度。1到20度之间的旋转称为轻微旋转，并且是用于增强原始图像的有用技术。随着旋转度的增加，转换后的数据可能无法保留其原始标签。
移位
翻译是一种将图像向左，向右，向上或向下平移的技术。这是一种非常有用的转换技术，可以避免数据中的位置偏差。移位图像时，剩余空间将被填充为0，255或被随机噪声填充，从而保留了图像的原始大小。
基于GAN的数据增强生成对抗网络（GAN）也称为GAN，是一种生成建模技术，其中可以从数据集中创建人工实例，从而保留原始集的相似特征[9]。
GAN由两个相互竞争的人工神经网络（ANN）组成，即生成器 generator 与判别器 discriminator。生成器创建新的数据实例，而判别器则评估它们的真实性[10]。
这是由GAN生成的人脸图像，这是在人脸上训练出来的。请注意，这些是合成的面孔，而不是真实的人。
这些是一些数据增强技术，通常用于从有限的数据集中生成更多数据，从而可以训练出更有效的卷积神经网络。
Olaf和他的团队在训练数据有限的情况下，利用在图像上的平移、旋转和随机弹性变换等数据增强技术训练U-net体系结构模型，并在2015年ISBI细胞追踪挑战中以较大优势获得这些类别的冠军。
因此，下次在训练卷积神经网络时，请使用这些技术来创建更多数据。
你平时使用了哪些数据增强技术？在下面评论分享的想法。
引用
[1] https://www.eetimes.com/document.asp?doc_id=1325712
[2] https://venturebeat.com/2017/12/08/6-areas-where-artificial-neural-networks-outperform-humans/
[3] https://www.theguardian.com/global/2015/may/13/baidu-minwa-supercomputer-better-than-humans-recognising-images
[4] Mikolajczyk, A., & Grochowski, M. (2018). Data augmentation for improving deep learning in image classification problem. 2018 International Interdisciplinary Phd Workshop (Iiphdw). doi: 10.1109/iiphdw.2018.8388338
[5] Perez, L., & Wang, J. (2017). The efectiveness of data augmentation in image classifcation using deep learning. Stanford University Research Report.
[6] https://snow.dog/blog/data-augmentation-for-small-datasets
[7] https://www.learnopencv.com/understanding-alexnet/
[8] https://nanonets.com/blog/data-augmentation-how-to-use-deep-learning-when-you-have-limited-data-part-2/
[9] Shorten, C., & Khoshgoftaar, T. (2019). A survey on Image Data Augmentation for Deep Learning. Journal Of Big Data, 6(1). doi: 10.1186/s40537–019–0197–0
[10] Henrique, F., & Aranha, C. (2019). Data Augmentation Using GANs. Proceedings Of Machine Learning Research.
[11] Ronneberger, O., Fischer, P., & Brox, T. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation.
