数据增广（Data augmentation）_ecg 数据增广

数据增广（Data augmentation）

来自：AlexNet网络（2012年提出）

原文链接：https://blog.csdn.net/seasonsyy/article/details/132640381

AlexNet引入了大量的图像增广，如翻转、裁剪和颜色变化，从而进一步扩大数据集来缓解过拟合）

定义：是指通过对现有数据进行处理而获得新的样本，并增大数据集容量的方法。

作用：数据增广可以丰富样本的多样性，通过裁剪、位移、缩放、翻转、颜色与亮度的调整等方法，增强网络对以上各种变化的鲁棒性。

操作：

• AlexNet将大小为256×256像素的图像裁剪成多个224×224像素的图像，裁剪位置随机。
• 对图像进行水平翻转，以便产生新的图像。通过随机裁剪和水平翻转，大大增加了训练样本的数量。
• 通过改变样本RGB三个通道中像素的值来产生新的样本，进一步增大了训练数据集，增强了模型对颜色和亮度变化的鲁棒性。

结果：实验证明，这有助于解决过拟合问题。目前，数据增广已经成为卷积神经网络应用过程中标准的步骤。