在图像分类任务中，图像数据增强一般是大多数人会采用的方法之一，这是由于深度学习对数据集的大小有一定的要求，若原始的数据集比较小，无法很好地满足网络模型的训练，从而影响模型的性能，而图像增强是对原始图像进行一定的处理以扩充数据集，能够在一定程度上提升模型的性能。本文是我目前正在研究一项内容，总结图像数据增强的一些方法及其有效性。本研究的目的是学习如何增加训练数据集的大小，通过有限或少量数据来训练获得具有鲁棒性的卷积网络模型。
       这项研究要求列出我们可以想到的所有图像增强方法，并列举出所有这些组合，以尝试和改善图像分类模型的性能。那么，能够想到的一些最简单的增强方法有翻转、平移、旋转、缩放，分离单个r、g、b三个颜色通道以及添加噪声。更激动人心的增强方法是比较热门的使用生成对抗网络模型，有时交替使用遗传算法和生