ADVERSARIALAL_AUTOAUGMENT

数据增广（DA，data augmentation）已被广泛用于改善训练深度神经网络的泛化性。最近，人为设计的数据增广已逐渐被自动学习的增广策略所取代。通过在精心设计的数据增广搜索空间中找到最佳策略，AutoAugment可以显著提高图像分类任务的验证准确性。但是，这种方法在大规模问题上在计算上并不实用。在本文中，我们开发了一种对抗方法，以得出一种计算上可行的解决方案，称为Adversarial AutoAugment（对抗自动增广），可以同时优化目标相关对象和增广策略搜索损失。增广策略网络试图通过生成对抗性增广策略来增加目标网络的训练损失，而目标网络可以从较难的示例中学习更强大的功能，以提高通用性。与先前的工作相反，我们在目标网络训练中重新使用计算以进行策略评估，而无需对目标网络进行再训练。与AutoAugment相比，这使ImageNet的计算成本降低了约12倍，时间开销缩短了11倍。我们在ImageNet上显示了我们在CIFAR-10 / CIFAR-100上的方法的实验结果，并展示了相对于最新技术的显著性能改进。在CIFAR-10上，我们实现了top-1测试误差为1.36％，这是目前表现最佳的单一模型。在ImageNet上，在没有额外数据的情况下，我们在ResNet-50上达到了top-1精度的领先性能，在ResNet-50-D上达到了80.00％。