【目标检测】|自动数据增强NAS

Paper: https://arxiv.org/abs/2103.17220

Code: https://github.com/Jia-Research-Lab/SA-AutoAug

Scale-aware Automatic Augmentation for Object Detection
本文提出了一种针对目标检测尺度变化问题的自动化数据增强方法，该方法包括一种新的搜索空间和一种搜索过程中的估计指标。该方法搜索得到的数据增强策略在各类检测器和不同数据集上都能带来性能提升，并超越了传统方法。此外，搜索得到的策略存在着一定的规律性，可以为以后人工数据增强设计提供一些帮助。

为了提升神经网络模型的尺度不变性，已有的方法主要从网络结构和数据增强两方面入手。网络结构的修改往往会让给模型增加复杂度[1, 2]，而数据增强方法独立于模型结构并具有一定的通用性。

数据增强方法大体可以分为色彩变化和几何形变两类，前者包括亮度、对比度、白化等，后者包括平移、旋转、缩放等。针对目标检测任务，有些人工设计的数据增强方法已经取得了显著的效果，但这类方法很大程度上依赖于专家经验。

自动化数据增强的方法在目标检测任务也有一定的效果。

自动增强方法[9,51,22,27,26]通常将寻找最佳增强策略的过程定义为一个搜索问题。为此，需要三个主要组成部分，即搜索空间、搜索算法和估计度量。根据任务的不同，搜索空间可能会有所不同。例如，搜索空间[9,22,27]被发展为图像分类，而不是盒子级任务的指定情况。
对于搜索算法，通常采用强化学习[52]和进化算法[38]对搜索空间进行迭代探索。在这个过程中，每个子模型，它被搜索策略优化，在一个设计的度量上评估它的有效性。这个度量作为搜索算法的反馈。

AutoAug-det [5] 在传统 image-level 数据增强的基础上，提出了box-level 数据增强。在物体标注框内部施加色彩变化或几何形变，提升神经网络对目标检测的泛化性能。但该方法的搜索代价昂贵，需要在400块TPUs上花费2天的时间。此外，该方法没有考虑目标检测中物体的尺度问题，这使得该方法还有不小的改进空间。