RandAugment: Practical automated data augmentation with a reduced search space

最新推荐文章于 2025-09-27 05:16:34 发布
原创 最新推荐文章于 2025-09-27 05:16:34 发布 · 4.8k 阅读 · 8 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

论文名称：RandAugment: Practical automated data augmentation with a reduced search space
(实用的减少搜索空间的数据增强手段)

论文目的： 1.本文提出了一种数据增强手段，减少了以往autoaugment需要大量的搜索空间。
2.以往autoaugment需要根据数据集大小，模型种类来调整正则化强度，现在用本文的方法可以直接在任何数据集，任何任务中直接使用。
开源地址： https://github.com/tensorflow/tpu/blob/master/models/official/efficientnet/autoaugment.py
论文创新点1.消除数据增强过程中对单独搜索的需求。2.减少了参数的个数，用无参数的过程代替了学习的策略和方法。也就是说，给定训练图像的N个变换，RandAugment就能表示KN个潜在策略
在这里插入图片描述

下图是经过减少搜索空间，randaugment贺其他数据增强方法的对比实验过程。AA自动扩充，Fast AA快速自动扩充，PBA基于种群的扩充。
在这里插入图片描述在这里插入图片描述在这里插入图片描述

最低0.47元/天 解锁文章
政安晨：【Keras机器学习示例演绎】（十七）—— 用于图像分类的 RandAugment 可提高鲁棒性
政安晨——致力于AI人工智能数字互动领域
04-26 1027
本文目标：用于训练图像分类模型的 RandAugment，具有更强的鲁棒性。 数据增强是一种非常有用的技术，有助于提高卷积神经网络（CNN）的平移不变性。RandAugment 是一种用于视觉数据的随机数据增强程序，在 RandAugment 中提出：RandAugment: Practical automated data augmentation with a reduced search space》一书中提出的。它由色彩抖动、高斯模糊、饱和度等强增强变换和随机作物等更传统的增强变换组成。
randaugment
jacke121的专栏
11-23 4485
numpy的： https://github.com/heartInsert/randaugment 谷歌开源的： 代码： https://github.com/tensorflow/tpu/blob/master/models/official/efficientnet/autoaugment.py
RandAugment（NeurIPS 2020）论文速读
00000cj的博客
02-24 1419
本文为了消除了上述两个障碍，提出了一种新的数据增强策略RandAugment，它显著减小了搜索空间，并可以直接在目标任务上训练而不需要一个单独的代理任务。此外它的正则化强度可以根据不同模型和数据集的大小进行定制，并可以在不同任务和数据集上统一使用。在CIFAR-10/100、SVHN、ImageNet数据集上，RandAugment相较于之前的所有自动增强方法，取得了匹配或更优的性能。
[CVPR-20] Randaugment: Practical automated data augmentation with a reduced search space
qq_40731332的博客
07-07 1005
Randaugment: Practical automated data augmentation with a reduced search space 摘要 自动搜索数据增强策略有着庞大且离散的搜索空间，AutoAugment的解决方法是在小规模proxy task上搜索，但proxy task和actual task之间的gap还未解决； previous work需要独立搜索每个operation的强度和概率，本文发现可以只搜索一个强度，用它同时控制所有operations； 在CIF
图像分类模型数据增强：pytorch-image-models中的RandAugment配置
最新发布
gitblog_00356的博客
09-27 683
你是否还在为图像分类模型的过拟合问题烦恼？是否想通过简单配置就能提升模型的泛化能力？本文将详细介绍如何在pytorch-image-models（简称timm）中使用RandAugment数据增强技术，只需几行代码即可实现强大的数据增强策略，显著提升模型性能。读完本文后，你将能够：了解RandAugment的工作原理、掌握timm中RandAugment的配置方法、学会根据不同数据集调整参数、解决...
【Randaugment】《Randaugment：Practical automated data augmentation with a reduced search space》
bryant_meng
11-21 1943
CVPRW-2020
《RandAugment: Practical automated data augmentation with a reduced search space》阅读笔记
AncilunKiang的博客
05-17 1085
最近的研究表明，数据增强有潜力显著提高深度学习模型的泛化能力。最近，自动增强（Automated Augmentation）策略在图像分类和目标检测方面取得了最先进的结果。虽然这些策略是为了提高验证准确率而优化的，但它们也在半监督学习中取得了最先进的结果，并提高了对图像常见损坏的鲁棒性。这些方法大规模采用的一个障碍是单独的搜索阶段，它增加了训练的复杂性，并可能大幅增加计算成本。此外，由于单独的搜索阶段，这些方法无法根据模型或数据集大小调整正则化强度。
【论文阅读记录】RandAugment: Practical automated data augmentation with a reduced search space
qq_44653420的博客
03-31 861
【论文阅读记录】RandAugment: Practical automated data augmentation with a reduced search space
RandAugment
weixin_37958272的博客
12-13 3120
RandAugment https://arxiv.org/pdf/1909.13719.pdf 最近的工作表明，数据增强有可能显著提高深度学习模型的泛化能力。最近，自动增强策略导致了图像分类和物体检测的最先进结果。虽然这些策略是为了提高验证精度而优化的，但它们也导致了半监督学习的最先进结果，并提高了对图像常见损坏的鲁棒性。大规模采用这些方法的一个障碍是单独的搜索阶段，这增加了训练的复杂性并可能大大增加计算成本。 此外，由于单独的搜索阶段，这些方法无法根据模型或数据集的大小来调整正则化强度。自动增强策略通常
【数据增广】无监督增广——RandAugment
锟金铐鏜鏜鏜
01-30 4324
一年多没有写博客了，一转眼回国就入职了。最近在从事关于计算机视觉方面的工作，一方面也是为了记录自己平日学习的点滴与思考养成良好的阅读习惯，另一方面也是为自己的知识技能库做一些储备。 言归正传，我们来看论文。 这是2019年9月由google brain团队发布的一篇关于无监督数据增广的文章，名称为 RandAugmentation：Practical automated data augmenta...
SSL论文笔记（数据增广）：RandAugment
weixin_39901859的博客
07-07 718
Abstract 日前，自动化增广策略帮助图像分类和目标检测实现了SOTA结果，且也帮助了半监督学习领域并提升了鲁棒性 但是由于需要一个单独的搜索阶段，存在两个问题： 增加了训练复杂性和计算代价 不能基于模型容量或者数据集大小去调整正则化强度 本文解决了上述困境，显著缩小了搜索空间（仅有两个超参），以此完全消除了在一个单独的代理任务上的搜索阶段，构建了模型参数和数据增广的统一优化策略。 Introduction 数据增广方法需要专业知识，以及手工工作来设计策略，以获取每个领域中的先验知识。这种需求使得将
PointNet2_RandAugment：在PointNet ++上应用RandAugment
01-30
PointNet ++ RandAugment 此是和实现，具有新颖的数据增强方法和RandAugment用于点云数据以处理3D分类任务PointNet2的基线代码主要是从 此仓库是3D pointcloud版本。 通过nn.DataParallel <https> _支持Multi-GPU。 支持PyTorch版本> = 1.0.0。 使用v1.0 <https> _来支持较早版本的PyTorch。 建立 安装python -这回购与测试2.7 ， 3.5和3.6 安装依赖 pip install -r requirements.txt 使用以下命令安装： pip install -e . 如果您急于输入错误消息RuntimeError: Ninja is required to load C++ extension ，请参见进行错误排除。
pytorch-randaugment:非官方PyTorch重新实现RandAugment
05-23
pytorch-randaugment RandAugment的非官方PyTorch重新实现。 大部分代码来自 。 介绍 可以使用RandAugment对感兴趣的数据集训练模型，而无需单独的代理任务。 通过仅调整两个超参数（N，M），您可以实现具有竞争优势的AutoAugments性能。 安装 $ pip install git+https://github.com/ildoonet/pytorch-randaugment 用法 from torchvision . transforms import transforms from RandAugment import RandAugment transform_train = transforms . Compose ([ transforms . RandomCrop ( 32 , padding = 4 ), t
RandAugment：一种提高模型泛化能力的数据增强方法
AigcFox的博客
01-16 1737
这是一种特殊的裁剪增强方法，它不仅随机裁剪图像，还将裁剪出的部分与另一张随机选择的图像进行混合，这样可以同时增加样本的多样性和模型的泛化能力。RandAugment是一种数据增强方法，它通过在训练过程中对数据集进行随机变换来增加数据的多样性，从而提高模型的泛化能力和鲁棒性。这种方法涉及到随机裁剪图像的一部分，然后将其与其他图像或图像的一部分进行拼接，这样可以增加训练样本的多样性。包括对图像的像素值进行随机变换，如添加高斯噪声、随机擦除部分像素等，这些操作可以提高模型对噪声的鲁棒性。
数据增强之RandAugment
热门推荐
如果想成为中心，那么就到中心去吧。
07-29 1万+
paper: https://arxiv.org/pdf/1909.13719.pdf code: https://github.com/tensorflow/tpu/blob/master/models/official/efficientnet/autoaugment.py 摘要 近期研究表明，数据增广可以显著提高深度学习的范化性能，尤其是在图像分类和目标检测方面均取得了不错的成果。尽管这些策略主要目的是为了提升精度，与此同时，在半监督机制下因为对原有数据集进行了扩充，从而增加了数据集的鲁棒性。 常见的
论文笔记：RandAugment
ZergWang's Blog
04-13 1万+
前提 反直觉 更大的数据集需要更强的数据增强 小任务上找到的策略并不适用于大数据集
图像增强（一）：randaugment
keyanxiaocaicai的专栏
05-13 3411
因为Fast Augment了解到randaugment 我们以deit为例： code： paper：https://arxiv.org/pdf/1909.13719.pdf 伪代码：号称用两行代码可以搞定这个问题 从上图我们看到有两个超参。--其实实现要比这个复杂。 一个是N （变化的个数）这个一般N是14变化的种类为： 一个是M ：所有变换的幅值 （我目前的理解是M *T(image)）--如果我的理解有错误，欢迎指正 T是对原始图像做的转换转换的结果乘以M得...
论文阅读_RandAugment
weixin_46224126的博客
10-19 611
论文笔记_Randaugment
[Randaugment]：强化数据增强的新利器
.
03-24 1063
这个示例代码中，我们首先使用PIL库将图片转换为张量，并进行了一些常见的变换，然后定义了一个Randaugment对象，并将其应用于输入图像。数据增强一直是机器学习中处理过拟合的重要手段之一，Randaugment是一个新兴的数据增强技术，它可以生成无数个随机变换序列来扩充训练数据集，据称可以在一些任务上获得比现有方法更好的效果。总之，Randaugment是一个快速简单的方法，可以有效地提高深度学习模型的泛化能力，因此在实际应用中得到了广泛的应用。[Randaugment]：强化数据增强的新利器。
DIFFUSEMIX: Label-Preserving Data Augmentation with Diffusion Models
07-05
DIFFUSEMIX 是一种结合了扩散模型（Diffusion Models）和 Mixup 数据增强技术的新型数据增强方法。它主要用于图像分类任务中，旨在通过生成具有标签混合特性的样本以提升模型的泛化能力。这种方法不仅能够生成视觉上合理的混合图像，还能确保生成的样本在标签空间中保持一致性。 ### DIFFUSEMIX 方法详解 DIFFUSEMIX 的核心思想是利用扩散模型的能力来生成高质量的混合图像，并通过 Mixup 的方式对输入图像及其对应的标签进行线性插值。与传统的 Mixup 不同，DIFFUSEMIX 引入了扩散过程中的噪声调度机制，使得生成的混合图像更加自然，同时保证标签的混合比例与图像内容一致。 1. **扩散模型基础**：扩散模型是一种生成模型，通过逐步添加高斯噪声将数据从原始分布转换为简单分布（如高斯分布），然后学习逆向过程以从噪声中恢复数据[^1]。 2. **Mixup 技术**：Mixup 通过线性插值两个训练样本及其标签来生成新的训练数据，从而提高模型的鲁棒性和泛化能力[^1]。 3. **DIFFUSEMIX 实现**： - 首先，选择两个输入图像 $ x_1 $ 和 $ x_2 $ 及其对应的标签 $ y_1 $ 和 $ y_2 $。 - 然后，使用扩散模型的前向过程对这两个图像进行噪声注入，生成中间状态 $ \tilde{x}_1 $ 和 $ \tilde{x}_2 $。 - 接着，通过线性插值生成混合图像 $ x_{\text{mix}} = \lambda \tilde{x}_1 + (1 - \lambda) \tilde{x}_2 $，其中 $ \lambda $ 是一个超参数，控制混合比例。 - 最后，生成的混合图像 $ x_{\text{mix}} $ 对应的标签 $ y_{\text{mix}} $ 也是通过线性插值 $ y_1 $ 和 $ y_2 $ 得到的：$ y_{\text{mix}} = \lambda y_1 + (1 - \lambda) y_2 $。 ### 在数据增强中如何保持标签的研究 DIFFUSEMIX 在数据增强中的关键优势在于其能够保持标签的一致性。这一特性主要得益于以下几个方面： 1. **标签混合策略**：通过线性插值两个标签，确保生成的标签与混合图像的内容相匹配。这种策略避免了传统数据增强方法中可能出现的标签不一致问题[^1]。 2. **扩散模型的生成能力**：扩散模型能够生成高质量的混合图像，这些图像在视觉上合理且保留了原始图像的主要特征，从而使得生成的标签更具可信度[^1]。 3. **噪声调度机制**：扩散模型中的噪声调度机制确保了生成的混合图像在不同噪声水平下仍然保持一致性，这有助于提升模型在面对不同噪声环境时的鲁棒性[^1]。 ### 相关研究论文 关于 DIFFUSEMIX 的详细描述及其在数据增强中的应用，可以参考以下研究论文： - **"DIFFUSEMIX: A Novel Data Augmentation Method Using Diffusion Models"**：这篇论文首次提出了 DIFFUSEMIX 方法，并详细探讨了其在图像分类任务中的应用。文中展示了 DIFFUSEMIX 在多个基准数据集上的实验结果，证明了其在提升模型性能方面的有效性[^1]。 ```python # 示例代码：DIFFUSEMIX 的简化实现 import numpy as np def diffusmix(image1, image2, label1, label2, noise_schedule, lam=0.5): # 添加噪声到图像 noisy_image1 = image1 + noise_schedule * np.random.randn(*image1.shape) noisy_image2 = image2 + noise_schedule * np.random.randn(*image2.shape) # 混合图像 mixed_image = lam * noisy_image1 + (1 - lam) * noisy_image2 # 混合标签 mixed_label = lam * label1 + (1 - lam) * label2 return mixed_image, mixed_label ```
评论 2
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值