本篇博客是对计算机视觉任务中常见的几种基于单个样本进行数据增强的方法的一个总结，主要是给自己做一个笔记，如果有任何问题请大家指正(●ˇ∀ˇ●)

数据增强的作用

• 避免过拟合。当数据集具有某种明显的特征，例如数据集中图片基本在同一个场景中拍摄，使用Cutout方法和风格迁移变化等相关方法可避免模型学到跟目标无关的信息。

• 提升模型鲁棒性，降低模型对图像的敏感度。当训练数据都属于比较理想的状态，碰到一些特殊情况，如遮挡，亮度，模糊等情况容易识别错误，对训练数据加上噪声，掩码等方法可提升模型鲁棒性。

• 增加训练数据，提高模型泛化能力。

• 避免样本不均衡。在工业缺陷检测方面，医疗疾病识别方面，容易出现正负样本极度不平衡的情况，通过对少样本进行一些数据增强方法，降低样本不均衡比例。

方法一：Max-drop《Analysis on the Dropout Effect in Convolutional Neural Networks》

Max-drop方法发表于ACCV2016
论文链接：http://mipal.snu.ac.kr/images/archive/1/16/20190516013446%21Dropout_ACCV2016.pdf
代码链接：