![131a4ae1fe1b98fd37e111d2a9e4ac84.png](https://img-blog.csdnimg.cn/img_convert/131a4ae1fe1b98fd37e111d2a9e4ac84.png)
摘要:论文github.com 代码github.com
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。
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: