RangeAugment：基于范围学习的高效在线增强
计算机视觉与模式识别
2022-12-21 v1 人工智能
机器学习
摘要
用于视觉识别任务的最先进自动增强方法（例如 AutoAugment 和 RandAugment）使用大量增强操作来使训练数据多样化。许多增强操作（例如亮度和对比度）的幅度范围是连续的。因此，为了使搜索在计算上可行，这些方法对每个操作使用固定且手动定义的幅度范围，这可能导致次优策略。为了回答关于每种增强操作的幅度范围重要性的开放问题，我们引入了 RangeAugment，它使我们能够高效地学习单个以及复合增强操作的幅度范围。RangeAugment 使用基于图像相似性的辅助损失作为控制增强操作幅度范围的度量。因此，RangeAugment 仅有单一标量参数用于搜索，即图像相似性，我们仅通过线性搜索对其进行优化。RangeAugment 与任何模型无缝集成，并学习特定于模型和任务的增强策略。通过在 ImageNet 数据集上跨不同网络的大量实验，我们表明 RangeAugment 以少 4-5 倍的增强操作实现了与最先进自动增强方法相当的性能。在语义分割、目标检测、基础模型和知识蒸馏上的实验结果进一步表明了 RangeAugment 的有效性。
引用
@article{arxiv.2212.10553,
title = {RangeAugment: Efficient Online Augmentation with Range Learning},
author = {Sachin Mehta and Saeid Naderiparizi and Fartash Faghri and Maxwell Horton and Lailin Chen and Ali Farhadi and Oncel Tuzel and Mohammad Rastegari},
journal= {arXiv preprint arXiv:2212.10553},
year = {2022}
}
备注
Technical report (22 pages including references and appendix)