AutoAugment: 从数据中学习增强策略

CVPRMay, 2018

AutoAugment: Learning Augmentation Policies from Data

Ekin D. Cubuk, Barret Zoph, Dandelion Mane, Vijay Vasudevan, Quoc V. Le

TL;DR本文介绍了一种自动搜索图像数据增强策略，使用神经网络在目标数据集上产生最高准确性，并在 CIFAR-10，CIFAR-100，SVHN 和 ImageNet 数据集上实现了最先进的准确性，同时找到的增强策略可在不同数据集间转移学习。

Abstract

data augmentation is an effective technique for improving the accuracy of modern image classifiers. However, current data augmentation imp

data augmentation autoaugment image classifiers neural network transferable

发现论文，激发创造

对抗自动数据增强

通过使用对抗性方法，Adversarial AutoAugment 能够通过同时优化目标相关对象和数据增强策略搜索损失，以便更快且更有效率地完成深度神经网络的训练及图像分类任务，从而将计算成本减少 12 倍，时间开销减少 11 倍，达到了最佳的实验成果。

Dec, 2019

快速自动增强

本文提出了一种名为 Fast AutoAugment 的算法，通过基于密度匹配的更高效的搜索策略找到有效的数据扩充策略，相比于 AutoAugment，该算法在各种模型和数据集上加速了搜索时间，并实现了可比较的图像识别性能。

May, 2019

对话任务自动学习数据增强策略

通过自动化数据增强方法 AutoAugment, 本文实现了可用于自然语言处理任务的优化扰动操作，并且在对话生成等任务中取得了显著的性能提升。

Sep, 2019

RandAugment：简化搜索空间的实用自动化数据增强

本研究提出了一种名为 RandAugment 的自动数据增强技术，可解决现有方法可能面临的训练复杂度和调整正则化强度的问题，并能显著提高神经网络模型的准确性和鲁棒性。

Sep, 2019

MetaAugment: 样本感知数据增强策略学习

本文提出了一种以样本为基础的数据增强策略，采用元学习解决数据增强效果与样本间变异之间的平衡问题，并在 CIFAR-10/100、Omniglot、ImageNet 等数据集上通过实验证明了其优越性能。

Dec, 2020

数据增强优化的元方法

本文提出了一种优化图像识别模型和数据增强策略的方法，使用梯度下降同时优化两者，通过使用 Neumann 级数逼近来近似策略梯度，以实现高效可扩展的训练，以提高各种图像分类任务的性能。

Jun, 2020

使用反向传播学习增强策略的更快自动增强

本文提出了一种可微分的策略搜索方法，用于数据增强，该方法比之前的方法更快，使用的是离散参数变换的近似梯度和可分辨操作选择机制。我们的方法通过最小化增强数据与原始数据之间的分布距离来优化，比之前的工作实现了显著更快的搜索，而不会出现性能下降。

Nov, 2019

SelfAugment：自监督学习自动增强策略

本文通过自监督的方式，解决了在无监督学习中选取数据扩增策略的问题，同时验证了自监督学习的准确性。

Sep, 2020

UniformAugment: 一种无需搜索的概率数据增强方法

本文研究数据扩增的方法及其在计算机视觉任务中的效果，提出了 UniformAugment，一种无需搜索阶段即可实现自动数据扩增的方法，并通过标准的数据集和经典模型证明其有效性和高效性。

Mar, 2020

基于种群的数据扩充：高效学习数据扩充策略

本文提出一种新的数据增强算法 ——Population Based Augmentation (PBA)—— 来生成非静态的增强策略日程表，相比于目前最先进的方法 AutoAugment，PBA 在 CIFAR-10、CIFAR-100 和 SVHN 数据集上耗费的总计算资源少三个数量级，但性能相当。在 CIFAR-10 数据集上，我们实现了 1.46% 的平均测试误差，稍微优于当前的最先进水平。

May, 2019