Learning Data Augmentation Strategies for Object Detection

作者将数据增强视为离散优化问题,通过增强学习获得5种数据增强子策略。确定22种操作,划分概率和幅值范围,构建离散搜索空间。使用RNN构建搜索空间,用PPO优化,在COCO数据集选5K张图片训练子模型,还给出具体实现链接。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

只用数据增广就把结果刷到了start of the art

最喜欢这种简单有效的办法

数据增强方法有很多, 作者研究了怎么把这些方法有效的进行组合,.

作者把数据增强看做一个离散优化问题.最后经过增强学习获得了5种数据增强子策略, 每种子策略包含对图像的多种操作, 每种操作有两个超参数(概率, 以及幅值).

过程:

 经过初步实验, 作者确定了22种操作, 把概率(0-1)均匀划分为L(L=6)等分, 幅值均匀M(范围0-10, M=6)等分 , 所以一种子策略的离散搜索空间为(22LM)^2, 5种子策略为22LM)^2^5.

作者使用RNN构建这个优化问题的搜索空间, 采用增强学习, 更新模型的权重参数, 在搜索算法中使用PPO优化.RNN输出30个序列, 表示为5个子策略*2个子操作*3个值(图片变换类型, 概率, 幅值)

作者在COCO数据集中, 选取5K张图片用于训练每一个子模型.

可以直接使用这几种操作~~~

具体实现https://github.com/tensorflow/tpu/blob/master/models/official/detection/utils/autoaugment_utils.py#L15

 

参考:

https://mp.weixin.qq.com/s?__biz=MzUxNjcxMjQxNg==&mid=2247490079&idx=3&sn=8d6f3386dbc1915cacf5e9e7ea4b6aa3&chksm=f9a26890ced5e18623152d307ebeec7f5c9afcc1466c4b3052d261dfe3afec5585c0e4425fdb&mpshare=1&scene=1&srcid=#rd

评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

打赏作者

yang_daxia

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
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