randAugmentation

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"