RandAugment: Practical automated data augmentation with a reduced search space

论文名称:RandAugment: Practical automated data augmentation with a reduced search space
(实用的减少搜索空间的数据增强手段)

论文目的: 1.本文提出了一种数据增强手段,减少了以往autoaugment需要大量的搜索空间。
2.以往autoaugment需要根据数据集大小,模型种类来调整正则化强度,现在用本文的方法可以直接在任何数据集,任何任务中直接使用。
开源地址: https://github.com/tensorflow/tpu/blob/master/models/official/efficientnet/autoaugment.py
论文创新点1.消除数据增强过程中对单独搜索的需求。2.减少了参数的个数,用无参数的过程代替了学习的策略和方法。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
RandAugment: Practical automated data augmentation with a reduced search space_第1张图片

下图是经过减少搜索空间,randaugment贺其他数据增强方法的对比实验过程。AA自动扩充,Fast AA快速自动扩充,PBA基于种群的扩充。
RandAugment: Practical automated data augmentation with a reduced search space_第2张图片RandAugment: Practical automated data augmentation with a reduced search space_第3张图片在这里插入图片描述RandAugment: Practical automated data augmentation with a reduced search space_第4张图片RandAugment: Practical automated data augmentation with a reduced search space_第5张图片RandAugment: Practical automated data augmentation with a reduced search space_第6张图片
我们设计了两个超参,一个是k表示种类的总个数,选择每个种类概率都一样,第二个是N,N表示采用N种形变,最后在考虑幅度。

该架构使用RandAugment (N = 3, M = 4),实验结果如图所示。随着转换数量的增加,RandAugment机构的验证精度中值也会提高。然而,即使只进行两次转换,randaugmentl平均也能使验证精度提高1%以上。

本文的贡献:
1.不需要单独搜索的过程。
2.本文证明了数据增强的最佳强度取决于模型大小贺训练集大小
3.引用了一个极大简化的搜索空间,用于包含两个可解释的超参的数据扩充
4.在三个数据集上,进行消融实验,都有很大的提高。
———————————————————————————

你可能感兴趣的:(2019论文精度)