使用反向传播学习增强策略的更快自动增强

Nov, 2019

Faster AutoAugment: Learning Augmentation Strategies using Backpropagation

Ryuichiro Hataya, Jan Zdenek, Kazuki Yoshizoe, Hideki Nakayama

TL;DR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。

Abstract

data augmentation methods are indispensable heuristics to boost the performance of deep neural networks, especially in image recognition t

发现论文，激发创造

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

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。

May, 2018

Deep AutoAugment 提供了一种全自动的数据增强搜索方法，通过高效的搜索方法可制定高效的数据增强策略，获得了强大的性能表现。

Mar, 2022

本研究使用基于 AutoML 的技术提出了一种高效的可微分搜索算法，称为 DDAS，它能够在图像分类基准测试上取得与 AutoAugment 可比的性能，同时大大降低了搜索成本。

Apr, 2021

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

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

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

本文提出了一种联合优化模型，实现了数据增强策略和神经网络架构的端到端优化，以实现自动化神经网络训练。实验结果显示，本方法的性能优于独立搜索的结果。

Dec, 2020

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

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