迁移学习、数据增强与训练划分
概念解释
迁移学习复用预训练表示，再训练任务分类头或微调整个网络。数据增强通过裁剪、翻转和颜色扰动等方式表达任务允许的变化；前提是这些变化不应破坏标签语义。
核心方法与条件
先按主体、拍摄会话或采集地点划分训练、验证和测试集，再仅对训练样本增强。可从冻结骨干的基线开始，逐步解冻并选择较小学习率；所有超参数选择都使用验证集。
例题或应用
同一零件连拍 100 张图片，若随机分成训练与测试，模型可能只需记住背景或表面纹理。把整件零件及其连拍全部放入同一个集合，才能更接近识别新零件的目标。
常见易错点
增强不总是合理：旋转可能改变字符类别，裁剪可能删掉唯一病灶，水平翻转可能破坏左右侧标签。预训练数据或测试集若被反复用于选择方案，最终测试分数也会偏乐观。
自检
请尝试不用原文解释“迁移学习、数据增强与训练划分”解决什么问题，再设计一个属于“视觉网络与分类”的实例，并说明适用条件和判断依据。