基于贝叶斯优化学习图像分类任务的最优数据增强策略
机器学习
2019-05-24 v2 计算机视觉与模式识别
机器学习
摘要
近年来，深度学习在计算机视觉、自然语言处理、语音识别等诸多领域取得了显著成就。充足的训练数据是保证深度模型有效性的关键。然而，获取有效数据需要大量时间与人力资源。数据增强（Data Augmentation, DA）是一种有效的替代方法，它可利用保持标签的变换基于现有数据生成新的带标签数据。尽管我们可从 DA 中获益良多，但设计合适的 DA 策略需要大量专家经验与时间消耗，且搜索最优策略的评估代价高昂。因此，我们在本文中提出一个新问题：如何以尽可能低的成本实现自动化数据增强？我们提出了一种名为 BO-Aug 的方法，通过贝叶斯优化方法寻找最优 DA 策略来实现该过程的自动化。我们的方法能以较低的搜索成本找到最优策略，且基于特定数据集搜索到的策略可在不同神经网络架构甚至不同数据集间迁移。我们在三个广泛使用的图像分类数据集（包括 CIFAR-10、CIFAR-100 和 SVHN）上验证了 BO-Aug。实验结果表明，所提方法能达到最先进（SOTA）或接近先进的分类精度。复现实验的代码见 https://github.com/zhangxiaozao/BO-Aug。
引用
@article{arxiv.1905.02610,
title = {Learning Optimal Data Augmentation Policies via Bayesian Optimization for Image Classification Tasks},
author = {Chunxu Zhang and Jiaxu Cui and Bo Yang},
journal= {arXiv preprint arXiv:1905.02610},
year = {2019}
}