FreeAugment：跨越所有自由度的数据增强搜索

数据增强已成为深度学习的重要组成部分，已知其能提高神经网络的泛化能力。由于最有效的图像转换集合因任务和领域的不同而异，自动数据增强搜索旨在缓解手动寻找最佳图像转换的极大负担。然而，现有方法无法同时优化所有四个自由度：(1) 要应用的转换数量，其 (2) 类型、(3) 次序和 (4) 幅度。许多现有方法风险选择相同的转换多于一次，限制仅搜索两种转换，或以盲目方式 exhaustively 或迭代方式搜索转换数量。我们的方法 FreeAugment 是首次实现所有四个自由度的全局优化，使用完全可微方法。它高效地学习转换数量和其排列的概率分布，内在地避免冗余重复同时进行采样。我们的实验表明，这种对所有自由度的联合学习显著提高性能，在各种自然图像基准测试及其他领域上实现了最先进的结果。