大家怎样看待深度学习中的数据扩增
题主所说的数据扩增，主要集中在图像和视频（视频也主要是采用分帧图像实现的）领域，常见的方法包括反转、平移、缩放、亮度变化、裁剪、光照等外部影响、颜色变换、模糊、灰度等方法，这些是比较常见的图像处理方法。如果你了解一点PS（photoshop）的话，应该就知道是怎么回事了。
这里的是否靠谱的问题，其实要看环境和限制。
目前图像和视频领域最紧缺的恰恰就是海量的数据素材资源，这是制约效果输出的关键因素之一。（除了这个因素肯定还有很多制约因素，只是现在连数据都还不多，在海量数据上运行和计算所受到的制约也没大规模发现出来而已）。
所以使用数据扩增的方法，能一定程度上提高数据容量，从而达到提高模型效果的目的，这是不得已而为之。
但是，到底能提高多少主要会受限于原始数据集、数据集所依赖的场景复杂度以及扩增实施3个方面方面影响。
以人脸识别为基础说明。
原始数据集：具有一定容量的数据是数据扩增的基本前提。假如人脸只有1张正面照，那么即使再做处理也只能基于正面照形成扩增数据，而对于仰视、俯视、侧面（例如45°、30°等角度照）的识别都无法取得好效果。当然，使用PS时可以做“透视”处理的，但处理的前提是有基本信息。例如有侧面和正面信息，可以做出一张45°的侧面照片。数据集所依赖的场景复杂度：人脸识别具有非常强的场景化应用。例如打卡人脸识别和商场人脸识别完全不是一个等级的应用。打卡人脸识别要求的场景简单，一般都是正面、脱毛、室内面对摄像头，此时做数据扩征的效果会比较明显。但如果做商品的人脸识别，要面对衣着打扮、不同姿势、不同表情、灯光环境等综合因素，这会导致一般意义上无法将全部的外部因素做“模拟”，所以也无法形成特别有效的扩增数据集。扩增实施：扩增实施的好坏直接影响到数据集的质量，这就不细说了。综合看，对于简单、固定且外部影响较少的场景下的数据扩增效果会显著一些，而对于复杂场景下几乎是效果微弱的。
■网友
【大家怎样看待深度学习中的数据扩增】 数据扩增没有那么简单，样本对抗是个要命的世界性难题，扩充数据首先要保证不会对抗，怎样扩充会对抗，怎样扩充不会对抗，才是真正的问题。
■网友
数据增强是很有用的很靠谱的手段。但要合理使用，比如，猫狗分类，把训练集图片做随机旋转、随机明暗度、随机平移、随机对称、随机缩放等等处理，是不影响图片的识别的，人眼仍然能分辨出是猫是狗，机器也一样能分辨。但有些跟距离有关系（被识别物对尺寸敏感）的都注意不能随机缩放。
推荐阅读
- 聪明人养花，这3种“花”怎样也要养一盆，每年能省不少医药费
- 互联网怎样解决“家政服务上门速度慢”的问题
- 环球车讯网|一口气降了5.5万元，奔驰C级卖出“白菜价”
- 怎样看待从1月8号起，QQ钱包开始提现收费
- 银行it人怎样转型
- 汽车|冬天怎样让车内温度快速升高？座椅加热的最佳使用方式二，外循环的作用总结
- 汽车知识|捷达库存成灾，特价处理，4S店卖不动，大家都不差钱！
- 怎样进入通信行业
- 怎样评价扶他柠檬茶的小说《云养汉》的结尾
- 怎样成为一名合格的Python程序员?