AutoAugment: تعلّم استراتيجيات التوسيع من البيانات

تُعد تقنية تضخيم البيانات (Data Augmentation) تقنية فعّالة لتحسين دقة فئّات الصور الحديثة. ومع ذلك، فإن التطبيقات الحالية لتضخيم البيانات مصممة يدويًا. في هذه الورقة، نصف إجراءً بسيطًا يُسمى "أوتوكوغيمنت" (AutoAugment) يهدف إلى البحث تلقائيًا عن سياسات تضخيم بيانات محسّنة. في تنفيذنا، قمنا بتصميم فضاء بحث بحيث تتكون السياسة من العديد من السياسات الفرعية، حيث يتم اختيار إحداها عشوائيًا لكل صورة في كل دفعة صغيرة (mini-batch). ويتكون كل سياسة فرعية من عمليتين، وكل عملية تمثل دالة معالجة للصورة مثل الترجمة (translation) أو الدوران (rotation) أو التشويه (shearing)، إلى جانب احتمالات وقيم شدة (magnitudes) تُطبّق بها هذه الدوال. نستخدم خوارزمية بحث للعثور على السياسة المثلى التي تُحقق أعلى دقة تحقق (validation accuracy) للشبكة العصبية على مجموعة بيانات مستهدفة. تحقق طريقةنا دقة من الدرجة الأولى على مجموعات بيانات CIFAR-10 وCIFAR-100 وSVHN وImageNet (بدون استخدام بيانات إضافية). وعلى ImageNet، حققنا دقة Top-1 قدرها 83.5%، أي أفضل بـ 0.4% من السجل السابق البالغ 83.1%. وعلى CIFAR-10، حققنا معدل خطأ قدره 1.5%، أي أفضل بـ 0.6% من الحد الأقصى السابق. كما تبين أن السياسات المُضخَّمة التي تم اكتشافها قابلة للتحويل بين مجموعات البيانات المختلفة. إذ تُظهر السياسة المُتعلّمة على ImageNet أداءً ممتازًا عند نقلها إلى مجموعات بيانات أخرى، مثل Oxford Flowers وCaltech-101 وOxford-IIT Pets وFGVC Aircraft وStanford Cars، مما يُحدث تحسينات كبيرة في الأداء.