TrivialAugment：免调参却达业界最优的数据增强
计算机视觉与模式识别
2021-08-18 v2 机器学习
摘要
自动增强方法近来已成为视觉任务中强劲模型性能的关键支柱。现有自动增强方法不得不在简洁性、成本与性能之间权衡，而我们提出了一个极简基线 TrivialAugment，它以近乎零的代价优于以往方法。TrivialAugment 无参数，且仅对每幅图像施加单一增强。因此，TrivialAugment 的有效性令我们颇感意外，我们进行了极为详尽的实验来研究其性能。首先，我们在多种图像分类场景下将 TrivialAugment 与既往最优方法比较。随后，我们针对不同的增强空间、增强方法与设置进行多次消融实验，以理解其性能的关键要求。此外，我们提供了一个简易接口以促进自动增强方法的广泛采用，并公开了完整的代码库以保证可复现性。由于我们的工作揭示了自动增强研究许多方面的停滞，我们最后简要提出了推动自动增强方法持续进步的最佳实践建议。
引用
@article{arxiv.2103.10158,
title = {TrivialAugment: Tuning-free Yet State-of-the-Art Data Augmentation},
author = {Samuel G. Müller and Frank Hutter},
journal= {arXiv preprint arXiv:2103.10158},
year = {2021}
}
备注
Accepted to ICCV 2021 as Oral