1. Top ILSVRC Models
在将卷积神经网络应用于图像分类时，要确切地知道如何准备用于建模的图像可能会非常困难，例如缩放（scaling）或归一化（normalizing）像素值。此外，图像数据增强（image data augmentation）可改善模型性能并减少泛化误差，而测试时间增强（test-time augmentation）可改善拟合模型的预测性能。
最好的做法是仔细研究文献中描述的性能最高的模型上使用的数据准备，训练时间增强（train-time augmentation）和测试时间增强（test-time augmentation）的类型，而不是盲目猜测可能有效的方法。
2010年至2017年间，ImageNet Large Scale Visual Recognition Challenge（ILSVRC）产生了一系列用于图像分类的最先进的深度学习卷积神经网络模型，其结构和配置已成为该领域的启发式方法和最佳实践。
可以回顾在该年度竞赛中表现出色的模型的论文，以发现图像增强所使用的方法类型。在为自己的图像分类任务准备图像数据时，这些可用作建议和最佳实践。在以下各节中，将回顾四个顶级模型中使用的数据准备和图像增强：SuperVision / AlexNet，GoogLeNet / Inception，VGG和ResNet。
2. SuperVision (AlexNet) Data Preparation
论文《ImageNet Classification with Deep Convolutional Neural Networks》中提出的AlexNet网络在ILSVRC-2010和ILSVRC-2012图像分类任务上取得了最佳成绩，这些结果激发了人们对计算机视觉深度学习的兴趣。他们称其模型为SuperVision，但此后被称为AlexNet。
2.1 Data Preparation
训练数据集中的图像大小不同，因此在用作模型输入之前必须调整图像大小，将正方形图像调整为256×256像素的形状。将矩形图像的最短边调整为256像素，然后从图像中裁剪出中间的256×256正方形。注意：网络期望输入图像具有通过训练增强获得的224×224形状。
然后从每个像素中减去平均像素值，称为居中（centering）。这是按通道执行的，也就是说，平均像素值是从训练数据集中估算出来的，彩色图像的红色，绿色和蓝色通道中的每一个均对应一个像素值。
2.2 Train-Time Augmentation
具体来说，增强是在内存中执行的，结果没有保存。**即时增强（ just-in-time augmentation）**现在是使用该方法的标准方法。
进行的第一类增强是将较小的裁剪正方形图像进行水平翻转，然后使用图像内的水平反射将其扩展到所需的一侧。
The first form of data augmentation consists of generating image translations and horizontal reflections. We do this by extracting random 224×224 patches (and their horizontal reflections) from the 256×256 images and training our network on these extracted patches.
进行的第二种增强是对图像的亮度进行随机更改。
The second form of data augmentation consists of altering the intensities of the RGB channels in training images. Specifically, we perform PCA on the set of RGB pixel values throughout the ImageNet training set. To each training image, we add multiples of the found principal components, with magnitudes proportional to the corresponding eigenvalues times a random variable drawn from a Gaussian with mean zero and standard deviation 0.1.
2.3 Test-Time Augmentation
进行测试时间扩充是为了使拟合模型有充分的机会进行可靠的预测。
这涉及创建输入图像的五个裁剪版本和图像的水平翻转版本的五个裁剪版本，然后对预测取平均。
At test time, the network makes a prediction by extracting five 224×224 patches (the four corner patches and the center patch) as well as their horizontal reflections (hence ten patches in all), and averaging the predictions made by the network’s softmax layer on the ten patches.
3. GoogLeNet (Inception) Data Preparation
2014年的论文《 Going Deeper with Convolutions 》 中提出了GoogLeNet，在目标检测方面取得了最佳成绩。
3.1 Data Preparation
数据准备为减去平均像素值，与AlexNet一样，可能是每个通道居中。
第一篇论文中提出的网络通常称为Inception v1。2015年的后续论文《Rethinking the Inception Architecture for Computer Vision》提出了Inception v2和v3。Keras中提供了Inception v3模型和模型权重。在此实现中，基于TensorFlow实现，图像不居中；取而代之的是，将每个图像的像素值缩放到 [-1,1] 范围，图像输入形状为 299×299 像素。在最近的论文中似乎没有提到这种归一化和缺乏居中。
3.2 Train-Time Augmentation
使用多种技术来执行训练时图像增强。
使用3/4或4/3的随机选择的宽高比，随机截取训练数据集中图像。
Still, one prescription that was verified to work very well after the competition includes sampling of various sized patches of the image whose size is distributed evenly between 8% and 100% of the image area and whose aspect ratio is chosen randomly between 3/4 and 4/3
另外，使用光度失真（photometric distortions），涉及图像属性（例如颜色，对比度和亮度）的随机变化。调整图像以适合模型的预期输入形状，并随机选择不同的插值方法（interpolation methods）。
In addition, we started to use random interpolation methods (bilinear, area, nearest neighbor and cubic, with equal probability) for resizing
3.3 Test-Time Augmentation
与AlexNet相似，执行测试时间增强，但范围更广。
每个图像均以四个不同的比例进行重新采样，然后从中获取多个方形裁剪并将其调整为图像的预期输入形状。结果是对给定输入图像的多达144个版本的预测。
Specifically, we resize the image to 4 scales where the shorter dimension (height or width) is 256, 288, 320 and 352 respectively, take the left, center and right square of these resized images (in the case of portrait images, we take the top, center and bottom squares). For each square, we then take the 4 corners and the center 224×224 crop as well as the square resized to 224×224, and their mirrored versions. This results in 4×3×6×2 = 144 crops per image.
然后将这些预测取平均以做出最终预测。
The softmax probabilities are averaged over multiple crops and over all the individual classifiers to obtain the final prediction.
4. VGG Data Preparation
2015年，牛津大学VGG在论文《Very Deep Convolutional Networks for Large-Scale Image Recognition》 提出了 VGG Net。
4.1 Data Preparation
如先前模型所述，数据准备包括将输入图像的形状标准化为小方块，并减去在训练数据集上计算出的每通道像素均值。
During training, the input to our ConvNets is a fixed-size 224 × 224 RGB image. The only preprocessing we do is subtracting the mean RGB value, computed on the training set, from each pixel.
4.2 Train-Time Augmentation
首先训练具有固定但较小图像尺寸的模型，保留模型权重，然后将其用作训练具有较大但仍固定尺寸图像的新模型的初始化权重方法。这是为了加快对较大（第二个）模型的训练。另一种图像缩放方法，称为多尺度训练（multi-scale training），涉及为每个图像随机选择图像缩放大小。
在两种训练方法中，然后将输入图像作为较小的输入裁剪。此外，将水平翻转（horizontal flips）和颜色偏移（color shifts）应用于裁剪图像。
To obtain the fixed-size 224×224 ConvNet input images, they were randomly cropped from rescaled training images (one crop per image per SGD iteration). To further augment the training set, the crops underwent random horizontal flipping and random RGB colour shift.
4.3 Test-Time Augmentation
在训练时评估的多尺度方法也在测试时进行了评估，通常被称为尺度抖动（scale jitter）。
创建给定测试图像的多个不同比例的版本，针对每个版本进行预测，然后对预测值求平均值以得出最终预测值。
5. ResNet Data Preparation
5.1 Data Preparation
与其他模型一样，从图像中减去整个训练过程中计算出的平均像素值，每个通道居中。
5.2 Train-Time Augmentation
图像数据增强是上述方法的组合，主要参考AlexNet和VGG。图像被随机调整为小尺寸或大尺寸，在VGG中使用了比例增强（scale augmentation）。然后采取可能的水平翻转和颜色增强来截取一小块方形图像。
5.3 Test-Time Augmentation
与AlexNet一样，测试集中每个图像的创建了10个方形裁剪图像，尽管这些图像是在每个具有固定大小的测试图像的多个版本上计算的，从而实现了针对VGG所述的尺度抖动（scale jittering），然后将所有变化的预测取平均。
In testing, for comparison studies we adopt the standard 10-crop testing. In testing, for comparison studies we adopt the standard 10-crop testing [21]. For best results, we adopt the fully-convolutional form as in [41, 13], and average the scores at multiple scales (images are resized such that the shorter side is in {224, 256, 384, 480, 640}).
6. Data Preparation Recommendations
- Data Preparation：必须为输入图像选择固定尺寸，并且所有图像都必须调整为该形状。像素缩放的最常见类型涉及将每个通道的像素值居中，然后进行某种类型的归一化处理。
- Train-Time Augmentation：需要训练时增强，最常见的是输入图像的大小调整和裁剪，以及诸如变换，翻转和颜色更改之类的图像修改。
- Test-Time Augmentation：测试时间增强的重点是输入图像的系统裁剪，以确保检测到输入图像中存在的特征。
参考：
https://machinelearningmastery.com/best-practices-for-preparing-and-augmenting-image-data-for-convolutional-neural-networks/