Deep learning 卷积网络上随机图像裁剪的好处是什么？

我正在学习pytorch教程中的迁移学习。我发现pytorch教程作者使用不同的方法来训练集和验证集

data\u转换={
“训练”：变换。组合([
transforms.RandomResizedCrop（224），
transforms.RandomHorizontalFlip（），
transforms.ToTensor（），
标准化（[0.485,0.456,0.406]，[0.229,0.224,0.225]）
]),
“val”：转换。组合([
变换。调整大小（256），
变换。中心裁剪（224），
transforms.ToTensor（），
标准化（[0.485,0.456,0.406]，[0.229,0.224,0.225]）
]),
}

---

如上所述，培训课程在培训中使用随机裁剪的图像。但我发现，经过这种变换后，一些图像与目标对象完全分离，并且没有有用的特征用于检测。我很好奇为什么作者选择了这种方法，即使定义不同的管道来训练和验证数据集更加困难。随机种植有什么好处吗？

随机种植背后有两个想法：

简而言之：

• 扩展用于培训的数据量
• 使神经网络更加健壮

更多详细信息：

图像的语义得到保留，但conv网络的激活值不同。conv网络学习将更大范围的空间激活与特定类别标签相关联，并提高conv网络中特征检测器的鲁棒性

看这段摘录