Learning Data Augmentation Strategies for Object Detection

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