深度自动增强
计算机视觉与模式识别
2022-03-16 v2 人工智能
摘要
尽管近期的自动化数据增强方法取得了最先进的结果，但其设计空间及所推导的数据增强策略仍包含较强的人类先验。在本工作中，我们不再在搜索到的数据增强之外固定一组手工挑选的默认增强，而是提出一种名为深度自动增强（DeepAA）的完全自动化数据增强搜索方法。DeepAA 通过逐层堆叠增强层，从零开始逐步构建多层数据增强流水线，直至收敛。对于每个增强层，策略被优化以最大化原始数据与增强数据沿低方差方向的梯度之间的余弦相似度。我们的实验表明，即使没有默认增强，我们也能学习到与先前工作性能相当的增强策略。大量消融实验表明，正则化梯度匹配是一种有效的数据增强策略搜索方法。我们的代码可在 https://github.com/MSU-MLSys-Lab/DeepAA 获取。
引用
@article{arxiv.2203.06172,
title = {Deep AutoAugment},
author = {Yu Zheng and Zhi Zhang and Shen Yan and Mi Zhang},
journal= {arXiv preprint arXiv:2203.06172},
year = {2022}
}
备注
ICLR 2022 camera-ready. Code: https://github.com/MSU-MLSys-Lab/DeepAA