摘要
数据增强是一种有效提升现代图像分类器准确率的技术。然而，当前的数据增强方法均为人工设计。本文提出一种名为AutoAugment的简单自动化流程，用于自动搜索更优的数据增强策略。在我们的实现中，设计了一个搜索空间，其中每个策略由多个子策略组成，每个小批量（mini-batch）中的每张图像会随机选择其中一个子策略进行处理。每个子策略包含两个图像处理操作，每个操作均为一种图像变换函数，如平移、旋转或剪切，并包含相应的应用概率和强度（magnitude）。我们采用搜索算法寻找最优策略，使得神经网络在目标数据集上获得最高的验证准确率。所提方法在CIFAR-10、CIFAR-100、SVHN和ImageNet（不依赖额外数据）上均达到了当前最优的分类准确率。在ImageNet数据集上，我们实现了83.5%的Top-1准确率，较此前83.1%的记录提升了0.4个百分点；在CIFAR-10上，错误率降低至1.5%，较此前最优结果提升了0.6个百分点。我们发现所搜索得到的增强策略具有良好的跨数据集迁移能力：在ImageNet上学习到的策略可有效迁移到其他数据集，显著提升性能，包括Oxford Flowers、Caltech-101、Oxford-IIT Pets、FGVC Aircraft和Stanford Cars等。