imagenet数据集图片尺寸_《自动增强：从数据中学习增强策略》笔记

摘要：
在本文中，我们将进一步研究图像的数据增强，并描述一个称为自动增强简单的过程，来搜索改进的数据增强策略。我们的主要观点是创建数据增强策略的搜索空间，直接在感兴趣的数据集上评估特定策略的质量。在我们的实现中，我们设计了一个搜索空间，其中一个策略由许多子策略组成，每一个策略都供每张图片的每个batch随机选择。子策略由两个操作组成，每个操作都是图像处理函数，如平移、旋转或裁剪，以及应用这些函数的概率和幅度。我们使用搜索算法寻找最佳策略，使神经网络在目标数据集上产生最高的验证精度。我们的方法在CIFAR-10、CIFAR-100、SVHN和ImageNet上实现了最佳的精度(不需要额外的数据)。在ImageNet上，我们获得了83.54%的顶级准确率。在CIFAR-10上，我们实现了1.48%的错误率，比之前的技术水平提高了0.65%。最后，从一个数据集学习的策略可以转移到其他类似的数据集上。例如，在ImageNet上学习的策略允许我们在细粒度可视化分类数据集Stanford Cars上实现最高的准确性，而无需对额外数据进行预先训练的权重进行微调。

论文​github.com 代码​github.com

1、策略

本文将寻找最佳扩增策略的问题表述为离散搜索问题。在搜索空间中，一个策略由5个子策略组成，每个子策略由两个依次应用的图像操作组成，每个操作还与两个超参数相关: