正如 Paul 正确指出的那样，有几种可用的数据增强技术。例如，您可以查看以下https://www.kaggle.com/cdeotte/25-million-images-0-99757-mnist，其中 2500 万张图像是从 42K 原始图像生成的。

我想补充的唯一其他方法是，如果您要分类的真实图像可以分解为更小的特征。例如，假设您想对一个骑自行车的人的图片进行分类，他的手臂上挂着一个包。你可能没有太多的图片，但你有数百万的自行车、男人和包的图片。您可以在这些基础上进行训练，并在模型中按原样重复使用一些较低层。

神经网络需要大量数据进行训练。这是他们最大的缺点之一，很难解决这个问题。

使用人工数据不是解决方案。我们并不真正了解网络正在学习什么，我们无法判断它是否学到了合成图像特有的任何东西。

您可以做的是使用某种数据增强。多次旋转、缩放、翻译图像，并创建更大的数据集。

由于它是一个很小的数据集，如果确实无法获得更多的数据，您应该考虑其他方法来帮助分类。要么手动设计一些特征来帮助分类器，要么用更传统的方法进行分类。