TrivialAugment: tuning-frei, dennoch state-of-the-art Data Augmentation

Automatische Augmentierungsverfahren sind in letzter Zeit zu einer entscheidenden Säule für eine hohe Leistungsfähigkeit von Modellen in visuellen Aufgaben geworden. Während bestehende automatische Augmentierungsansätze oft zwischen Einfachheit, Kosten und Leistung abwägen müssen, präsentieren wir eine äußerst einfache Baseline, TrivialAugment, die nahezu kostenfrei die Leistung früherer Methoden übertrifft. TrivialAugment ist parameterfrei und wendet auf jedes Bild lediglich eine einzelne Augmentierung an. Daher erscheint uns die Effektivität von TrivialAugment äußerst überraschend, weshalb wir umfassende Experimente durchgeführt haben, um deren Leistungsfähigkeit zu untersuchen. Zunächst vergleichen wir TrivialAugment mit früheren State-of-the-Art-Methoden in einer Vielzahl von Szenarien für Bildklassifikation. Anschließend führen wir mehrere Ablationsstudien mit unterschiedlichen Augmentierungs-Räumen, Augmentierungsverfahren und Konfigurationen durch, um die entscheidenden Voraussetzungen für dessen hohe Leistung zu identifizieren. Zudem stellen wir eine einfache Schnittstelle zur Förderung der breiten Anwendung automatischer Augmentierungsverfahren sowie unseren vollständigen Code zur Wiederholbarkeit bereit. Da unsere Arbeit eine Stagnation in vielen Bereichen der Forschung zu automatischen Augmentierungsverfahren aufzeigt, schließen wir mit einem kurzen Vorschlag für bewährte Praktiken ab, um einen nachhaltigen Fortschritt in diesem Bereich zu gewährleisten.