圖像分類任務(wù)上，訓(xùn)練數(shù)據(jù)不足帶來的問題主要表現(xiàn)在過擬合方面，即模型在訓(xùn)練樣本上的效果可能不錯(cuò)，但在測試集上的泛化效果不佳。

處理方法大致也可以分兩類，一是基于模型的方法，主要是采用降低過擬合風(fēng)險(xiǎn)的措施， 包括簡化模型（如將非線性模型簡化為線性模型）、添加約束項(xiàng)以縮小假設(shè)空間（如L1/L2正則項(xiàng)）、集成學(xué)習(xí)、Dropout超參數(shù)等；二是基于數(shù)據(jù)的方法，主要通過數(shù)據(jù)擴(kuò)充（Data Augmentation，數(shù)據(jù)增強(qiáng)），即根據(jù)一些先驗(yàn)知識，在保持特定信息的前提下，對原始數(shù)據(jù)進(jìn)行適當(dāng)變換以達(dá)到擴(kuò)充數(shù)據(jù)集的效果。具體到圖像分類任務(wù)中，在保持圖像類別不變的前提下，可以對訓(xùn)練集中的每幅圖像進(jìn)行以下變換。

（1）一定程度內(nèi)的隨機(jī)旋轉(zhuǎn)、平移、縮放、裁剪、填充、左右翻轉(zhuǎn)等，這些變換對應(yīng)著同一個(gè)目標(biāo)在不同角度的觀察結(jié)果。

（2）對圖像中的像素添加噪聲擾動，比如椒鹽噪聲、高斯白噪聲等。

（3）顏色變換

（4）改變圖像的亮度、清晰度、對比度、銳度等