张伦，刘大鹏

（贵州师范大学数学科学学院，贵阳550025）

1 研究背景及意义

数据增广是深度学习分类任务中常用的方法之一，主要用于增加训练数据集的样本，让数据集的样本尽可能的多样化，使得训练的模型具有更强的泛化能力。

机器学习需要数据增广。大量机器学习任务，如无人驾驶汽车的目标预测、人脸识别、行人检测、医学图像的分类与识别等，都需要大量的训练数据。数据增广是解决训练样本不足的主流方法之一。数据增广技术通过对训练数据集做一系列的随机改变，用来产生和原数据相似但又不相同的训练数据，从而扩大训练数据集的规模，增加数据集的多样性。有研究表明[27]，分类任务中数据增广提高了模型分类的准确率和泛化性。

现在深度学习更需要数据增广。深度学习是近十年来人工智能领域取得的重要突破。2012年，Krizhevsky等人[1]设计的AlexNet（8层）卷积神经网络在ImageNet图像竞赛中取得冠军[2]。GoogLeNet（22层）[3]和VGG-Net（19层）是2014年ImageNet竞赛的双雄，两类模型的共同特点是网络结构比以往的模型层数更多。在2015年ImageNet竞赛上，MSRT何凯明团队的深度残差网络（Residual Networks，ResNet）[4]大方异彩，残差网络结构更深（达50层），分类正确率更高。随着卷积神经网络的结构不断加深，网络的参数越来越多，在有限的训练数据集下，容易发生过拟合现象，使图像分类的正确率下降。除通过标注增加训练数据外，提高图像分类正确率的方法可主要分为两种：一种是调整网络的结构或者改进网络对各层特征的处理能力，例如通过改变网络中的激活数（ReLU）[5]、引入dropout层[6]等方法来提高模型的学习能力；……