一，数据增强概述数据增强（也叫数据扩增）的目的是为了扩充数据和提升模型的泛化能力。有效的数据扩充不仅能扩充训练样本数量，还能增加训练样本的多样性，一方面可避免过拟合，另一方面又会带来模型性能的提升。数据增强几种常用方法有:图像水平/竖直翻转、随机抠取、尺度变换和旋转。其中尺度变换（scaling）、旋转（rotating）等方法用来增加卷积卷积神经网络对物体尺度和方向上的鲁棒性。在此基础上，对原图或已变换的图像(或图像块)进行色彩抖动(colorjittering)也是一种常用的数据扩充手段，即改变图像颜色的四个方面:亮度、对比度、饱和度和色调。色彩抖动是在RGB颜色空间对原有RGB色彩分布进
