基于在线双层优化学习数据增强用于图像分类
计算机视觉与模式识别
2020-11-11 v2 机器学习
摘要
数据增强是机器学习中提升泛化性能的关键手段。然而，寻找最佳数据增强超参数需要领域知识或计算代价高昂的搜索。我们提出一种高效方法，自动训练一个网络以学习有效的变换分布从而改善其泛化能力，以解决该问题。利用双层优化，我们直接使用验证集优化数据增强参数。该框架可作为通用方案，与分类器等终端任务模型联合学习最优数据增强。结果表明，我们的联合训练方法所得图像分类精度可与精心手工设计的数据增强相媲美或更优，且无需对数据增强超参数进行昂贵的外部验证循环。
引用
@article{arxiv.2006.14699,
title = {Learning Data Augmentation with Online Bilevel Optimization for Image Classification},
author = {Saypraseuth Mounsaveng and Issam Laradji and Ismail Ben Ayed and David Vazquez and Marco Pedersoli},
journal= {arXiv preprint arXiv:2006.14699},
year = {2020}
}