TrivialAugment数据增强策略源于NAS方法，且效果超越NAS，用更简单的方式实现了SOTA的数据增强策略。
论文链接：https://arxiv.org/abs/2103.10158
源码链接：https://github.com/automl/trivialaugment
解决的问题
使用NAS方法自动搜索的数据增强的方法虽然是有效的，但局限在于需要权衡搜索效率和数据增强的性能。为了解决这个问题，论文提出了Trivial Augment数据增强策略（后文简称TA），相比于之前的数据增强策略，TA是无参数的，每张图片只使用一次数据增强方式，因此相比于AA、PBA乃至RA，它的搜索成本几乎是free的，而且取得了SOTA的效果。
简介
本文主要研究数据增强在图像分类场景的应用。图像分类中的数据增强是基于原始图像生成新的图像，增强完以后仍然属于相同的分类，相当于数据的扩充。早期的数据增强策略是纯人工设计的，直至AA等自动搜索出的数据增强策略的提出，才降低了数据增强的设计难度。自动搜索的数据增强策略在使用时虽然是几乎for free的，但是搜索确实是一个耗时耗卡的大工程。TA的提出，不需要特定的任务选择的数据增强策略，也不用将多种数据增强策略组合在一起，是一种简单有效的策略。
内容中包含的图片若涉及版权问题，请及时与我们联系删除
评论
沙发等你来抢