RandAugment: практическое автоматизированное расширение данных с сокращённым пространством поиска

Randaugment: Practical automated data augmentation with a reduced search space
Quoc Viet Le, Barret Zoph, Jonathon Shlens, Ekin D. Cubuk
2020-06-01

RandAugmentавтоматическое расширение данныхклассификация изображенийобнаружение объектовсокращённое пространство поиска
Недавние исследования стратегий автоматизированного расширения данных позволили достичь передовых результатов в классификации изображений и обнаружении объектов. Препятствием для широкомасштабного применения этих методов является необходимость отдельного и ресурсоёмкого этапа поиска. Распространённым способом снизить затраты на этот этап было использование меньшей прокси-задачи. Однако оставалось неясным, являются ли оптимизированные гиперпараметры, найденные для прокси-задачи, оптимальными также и для фактической задачи. В этой работе мы переосмысливаем процесс разработки стратегий автоматизированного расширения данных. Мы обнаружили, что, в то время как предыдущие исследования требовали независимого поиска величины и вероятности применения каждой операции, достаточно искать только одну величину искажения, которая совместно управляет всеми операциями. Поэтому мы предлагаем упрощённое пространство поиска, значительно снижающее вычислительные затраты на автоматизированное расширение данных и позволяющее отказаться от отдельной прокси-задачи. Несмотря на эти упрощения, наш метод демонстрирует результаты, не уступающие или превосходящие результаты предыдущих стратегий автоматизированного расширения данных на наборах данных CIFAR-10/100, SVHN, ImageNet и COCO. С EfficientNet-B7 мы достигаем точности 85,0% на ImageNet, что на 1,0% выше базового расширения данных и на 0,6% выше результата AutoAugment. С EfficientNet-B8 мы достигаем точности 85,4% на ImageNet, сопоставимой с ранее опубликованным результатом, полученным с использованием 3,5 млрд дополнительных изображений. В задаче обнаружения объектов применение того же метода, что и для классификации, обеспечивает улучшение на 1,0–1,3% по сравнению с базовым расширением данных. Код будет доступен онлайн.
1
RandAugment достигает не худших или лучших результатов по сравнению с предыдущими стратегиями автоматического усиления на CIFAR-10/100, SVHN, ImageNet и COCO.
2
RandAugment сокращает поиск параметров автоматического усиления данных до одной величины искажения, совместно управляющей всеми операциями, устраняя независимый поиск величин и вероятностей.
3
Упрощённое пространство поиска значительно снижает вычислительные затраты и устраняет необходимость в отдельной прокси-задаче.
4
С EfficientNet-B7 RandAugment достигает точности 85,0% на ImageNet, превосходя базовое усиление на 1,0 процентного пункта и AutoAugment на 0,6 пункта.
5
С EfficientNet-B8 RandAugment достигает 85,4% на ImageNet, соответствуя результату с использованием 3,5 млрд дополнительных изображений; в обнаружении объектов улучшение над базовым усилением составляет 1,0–1,3 процентного пункта.

автоматизированные стратегии аугментации изображений для классификации изображений и обнаружения объектов

эффективность и вычислительная эффективность сокращённого пространства поиска, использующего единую совместную величину искажения вместо независимого поиска величин и вероятностей операций

Publication Details
Publication Date
2020-06-01
Journal
Publisher
ISSN
Cited by
5030
Access Type
Author Information
Authors
Quoc Viet Le
Barret Zoph
Jonathon Shlens
Ekin D. Cubuk
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%