randAugmentation
主要思想:
随机的选择transformation,finetune它的magnitute
关注点转移到了如何大幅减少数据增强的参数空间。
成果:
在目标检测方面,RandAugment能比基线增强方法提高1.0-1.3%。
速度极大加快
具体思想:
不考虑的参数
为了减少参数空间的同时保持数据(图像)的多样性,研究人员用无参数过程替代了学习的策略和概率
这些策略和概率适用于每次变换(transformation),该过程始终选择均匀概率为1/k的变换。
也就是说,给定训练图像的N个变换,RandAugment就能表示KN个潜在策略。
考虑的参数:
需要考虑到的一组参数是每个增强失真(augmentation distortion)的大小。
假设一个单一的全局失真M(global distortion M)可能就足以对所有转换进行参数化。
操作:
transforms = ["Identity"