ICML 2019 oral 论文 | 伯克利 AI 研究院提出新的数据增强算法，比谷歌大脑的 AutoAugment 更强！

数据增强是提升图像识别模型性能的重要手段。伯克利 AI 研究院的一篇关于数据增强的论文便被 ICML 2019 收录为 oral 论文，该论文巧妙地运用基于种群的数据增强算法，在降低计算成本的情况下，既能提高学习数据增强策略的速度，又能提升模型的整体性能。伯克利 AI 研究院也在官方博客上对论文进行了解读， AI 科技评论编译如下。

将基于种群的增强算法应用于图像上的效果，随增强百分比的变化情况

在本文中，我们将介绍基于种群的增强算法（Population Based Augmentation，PBA），它能够快速、高效地学习到一个目前最先进的应用于神经网络训练的数据增强方法。PBA 能够在将速度提升 1000 倍的情况下，达到与之前在 CIFAR 和 SVHN 数据集上最佳的效果，这使得研究者和从业人员可以使用单个工作站的 GPU 有效地学习新的增强策略。研究者可以广泛地使用 PBA 算法来提升深度学习在图像识别任务上的性能。

同时，我们将讨论我们最新发表的论文「Population Based Augmentation: Efficient Learning of Augmentation Policy Schedules」（论文下载地址：https://arxiv.org/abs/1905.05393.pdf）中 PBA 算法的实验结果，然后说明如何利用「Tune」（https://ray.readthedocs.io/en/latest/tune.html）框架在新数据集上运行 PBA 算法（https://github.com/arcelien/pba）。

你为什么需要关注数据增强技术？

近年来，深度学习模型的进步很大程度上归功于收集到的数据，在数量和多样性上的增加。数据增强是一种使从业人员在无需实际收集新数据的情况下，能够显着提升可用于训练模型的数据的多样性的策略。诸如裁剪，