Machine learning 数据扩充-是否需要转移？

我能理解数据扩充的威力以及数据扩充的不同方式，如旋转、翻转、规范化等

---

是否真的需要在图像周围移动对象？卷积的结果会有差异吗？

如果您确定测试数据中的图像始终居中，则可能不需要移位。但在现实世界中，情况并非如此

例如，你们不能期望一只猫总是呆在图像的中心。在测试数据中，它可能出现在任何位置。如果你在训练数据中考虑到这种情况，你的模型会学得更好。

注：上图仅为便于理解。数据也通过旋转而不仅仅是移位来增加。但它是为这个目的服务的，所以包括了它。（）

---

至于结果上的差异，我们无法确定性能上的变化会有多大，除非您尝试一下。但人们发现，移位有助于提高性能，通常与翻转、旋转、缩放等一起使用。

居中对象不需要移位，但在实际测试数据中，可能会有不居中的对象，因此在这种情况下，它变得尤为重要

gen = ImageDataGenerator(
rotation_range=10,
width_shift_range=0.1,
height_shift_range=0.1,
shear_range=0.15,
zoom_range=0.1,
channel_shift_range=10.,
horizontal_flip=True)

---

是的，移动一个物体是非常必要的

如果您尝试检测/分类的对象大部分时间都在图像中心附近，则您的模型可能会调整其权重，以便专注于搜索图像中心。

通过在图像周围移动目标对象，可以强制模型搜索图像的所有区域。此外，还可以通过更改对象的形状来改进模型的训练（例如，可以在图像中缩放）

此存储库非常好地介绍了对象检测中常用的数据增强：