一、基本图像处理的扩增
常见的就是对图像进行几何变换，图像翻转，裁剪，旋转和平移等等，还可以使用对比度，锐化，白平衡，色彩抖动，随机色彩处理和许多其他技术来更改图像的色彩空间。
此外，还可以使用遮挡类的方法，如 CutOut、RandomRrase、GridMask。Cutmix 就是将一部分区域 cut 掉但不填充 0 像素而是随机填充训练集中的其他数据的区域像素值，分类结果按一定的比例分配，CutMix 的操作使得模型能够从一幅图像上的局部视图上识别出两个目标，提高训练的效率。
而 Mosaic 数据增强方法是 YOLOV4 论文中提出来的，主要思想是将四张图片进行随机裁剪，再拼接到一张图上作为训练数据，这样做的好处是丰富了图片的背景。
基础的图形扩增方法在很多深度学习框架中都有实现，例如：torchvision。还有一些更加全面丰富的数据扩增库，如 albumentations 等等。
二、特征空间扩增
**论文标题：**On Feature Normalization and Data Augmentation(MoEx)
论文链接：https://arxiv.org/abs/2002.11102
代码链接：https://github.com/Boyiliee/MoEx
三、GAN-based Data Augmentation
生成建模是当前最火的技术之一，生成模型学习数据的分布，而不是数据之间的边界，因此，可以生成全新的图像。
**论文标题：**Emotion classification with data augmentation using generative adversarial networks.
论文链接：https://arxiv.org/abs/1711.00648
四、NAS-based Data Augmentation
让网络自主的寻找数据增强方法
**论文标题：**AutoAugment: Searching for best Augmentation policies Directly on the Dataset of Interest