物体检测模型可以适应旋转吗？
Can object detection models adapt to rotation?
即使训练图像中未包含旋转版本，TensorFlow 对象检测模型也会输出正确的边界框预测。
这是对象检测模型的常规行为吗？如果是这样，是什么（代码或概念的一部分）确保了这种适应？
可以模拟旋转不变性的最简单方法是通过数据集扩充，其中输入图像在每次以不同的量传递到网络之前被人工旋转。
旋转通常被限制在某个较小的值 - 例如-30 到 30 度 - 而不是完全随机，因为图像通常有一些标准方向，并且场景中的 space 通常不是各向同性的（即由于重力，向上与横向不同） .
请注意，这些增强不会使网络具有固有的旋转不变性。但是，如果网络学习得很好，它应该学习近似旋转不变性。
其他形式的增强包括左右翻转（但不是上下翻转，原因与上述相同）、调整大小和光度变化，如 hue/saturation/contrast 操作。在某些情况下，其中一些（或全部）是不合适的。例如，对于手写识别，符号本质上是不对称的，因此左右翻转是不合适的。
即使训练图像中未包含旋转版本，TensorFlow 对象检测模型也会输出正确的边界框预测。
这是对象检测模型的常规行为吗？如果是这样，是什么（代码或概念的一部分）确保了这种适应？
可以模拟旋转不变性的最简单方法是通过数据集扩充，其中输入图像在每次以不同的量传递到网络之前被人工旋转。
旋转通常被限制在某个较小的值 - 例如-30 到 30 度 - 而不是完全随机，因为图像通常有一些标准方向，并且场景中的 space 通常不是各向同性的（即由于重力，向上与横向不同） .
请注意，这些增强不会使网络具有固有的旋转不变性。但是，如果网络学习得很好，它应该学习近似旋转不变性。
其他形式的增强包括左右翻转（但不是上下翻转，原因与上述相同）、调整大小和光度变化，如 hue/saturation/contrast 操作。在某些情况下，其中一些（或全部）是不合适的。例如，对于手写识别，符号本质上是不对称的，因此左右翻转是不合适的。