MetaAugment：样本感知的数据增强策略学习
机器学习
2020-12-23 v1
摘要
自动化数据增强在图像识别中已展现出优越性能。现有工作搜索数据集级的增强策略，而未考虑个体样本的差异，这很可能是次优的。另一方面，朴素地为不同样本学习不同策略会极大增加计算成本。在本文中，我们通过将数据增强策略学习表述为一个样本重加权问题，高效地学习样本感知的数据增强策略。具体而言，一个增强策略网络以变换及对应的增强图像为输入，输出一个权重以调整由任务网络计算的增强图像损失。在训练阶段，任务网络最小化增强训练图像的加权损失，而策略网络通过元学习最小化任务网络在验证集上的损失。我们从理论上证明了训练过程的收敛性，并进一步推导了精确的收敛速率。在包括 CIFAR-10/100、Omniglot 和 ImageNet 的广泛使用的基准上取得了优越性能。
引用
@article{arxiv.2012.12076,
title = {MetaAugment: Sample-Aware Data Augmentation Policy Learning},
author = {Fengwei Zhou and Jiawei Li and Chuanlong Xie and Fei Chen and Lanqing Hong and Rui Sun and Zhenguo Li},
journal= {arXiv preprint arXiv:2012.12076},
year = {2020}
}
备注
Accepted by AAAI2021