[CVPR2019]AutoAugment:Learning Augmentation Strategies from Data

[yusukekyokawa]

書誌情報

論文リンク

著者/所属機関

Ekin D. Cubuk∗†, Barret Zoph† , Dandelion Mane, Vijay Vasudevan, Quoc V. Le Google Brain

conf/journal

CVPR

year

2019

どんな論文か？

Augmentationの自動化に関する論文

新規性

手法

結果

コメント

論文の再現実験あとでやりたい． optunaと合わせて

[yusukekyokawa]

データオーグメンテーションは、最新の画像分類器の精度を向上させるための有効な手法である。しかし，現在のデータオーグメンテーションの実装は，手動で設計されている．本論文では、AutoAugmentと呼ばれる簡単な手続きを用いて、改善されたデータオーグメンテーションポリシーを自動的に検索する方法について述べる。我々の実装では、ポリシーが多数のサブポリシーで構成され、そのうちの1つがミニバッチごとにランダムに選択される探索空間を設計している。サブポリシーは2つの操作から構成され、それぞれの操作は並進、回転、剪断などの画像処理関数と、それらの関数が適用される確率と大きさである。我々は検索アルゴリズムを用いて、ニューラルネットワークが対象データセットに対して最高の検証精度を得るような最適なポリシーを見つけ出す。我々の手法は、CIFAR-10, CIFAR-100, SVHN, ImageNet(追加データなし)において、最先端の精度を達成している。CIFAR-10では、CIFAR-100、SVHN、ImageNet(追加データなし)で最先端の検証精度を達成し、ImageNetでは、83.5%のトップ1精度を達成しました。CIFAR-10では，誤差率1.5%を達成し，従来の精度より0.6%向上した．我々が発見した拡張ポリシーは，データセット間での移行が可能である．ImageNetで学習したポリシーは、Oxford Flowers、Caltech-101、Oxford-IIT Pets、FGVC Aircraft、Stanford Carsなどの他のデータセットにも適用でき、大幅な改善を実現しました。

www.DeepL.com/Translator（無料版）で翻訳しました。