我正在处理一个行人再识别问题，并使用CMC曲线展示结果。我在训练集中使用了增强数据/图像和普通图像（目前在CUHK01上训练）。在测试时，如果我不使用增强数据与普通测试图像一起计算排名，比如Rank_1，我得到的Rank_1大约是30%。另一方面，使用增强数据后，我得到了大约65-70%的Rank_1（这相对于当前世界上的Rank_1准确率来说是异常高的）。

因此，我的几个问题是

a) 增强数据如何影响测试集，尤其是在我的情况下。

b) 我是否在过拟合或类似情况。

c) 是否有一般规则建议避免在测试案例中使用增强图像。

回答：

使用数据增强的理由是减少过拟合的几率。这样你希望告诉你的模型，参数（theta）与你增强的数据（alpha）不相关。这是通过对每个输入进行所有可能的alpha增强来实现的。但由于多种原因，这在现实中是难以实现的，例如时间/内存限制，你可能无法构建所有可能的增强等，因此可能存在一些偏见。尽管如此，它仍然能减少对你数据集的过拟合几率，但它可能会对你的增强方法过拟合。

因此，如果你有增强数据，你可能会因为过拟合而通过匹配增强数据获得更高的准确率，这是对问题a的回答。所以我认为对问题b的回答是肯定的。

为了回答问题c，我没有读到关于数据增强的规则，但在机器学习文献中，我推测他们避免在测试集上进行任何增强。例如，我引用自一篇论文

我们通过用随机背景图像替换绿屏来增强训练图像，并通过内在的重新着色来改变颜色和阴影的外观