AutoAugment : Apprentissage de politiques d'augmentation à partir des données

L'augmentation de données est une technique efficace pour améliorer la précision des classifieurs d'images modernes. Cependant, les implémentations actuelles d'augmentation de données sont conçues manuellement. Dans cet article, nous décrivons une procédure simple appelée AutoAugment pour rechercher automatiquement des politiques d'augmentation de données améliorées. Dans notre implémentation, nous avons conçu un espace de recherche où une politique est composée de nombreuses sous-politiques, l'une d'entre elles étant choisie aléatoirement pour chaque image dans chaque mini-lot. Une sous-politique consiste en deux opérations, chaque opération étant une fonction de traitement d'image telle que la translation, la rotation ou le cisaillement, ainsi que les probabilités et les amplitudes avec lesquelles ces fonctions sont appliquées. Nous utilisons un algorithme de recherche pour trouver la meilleure politique afin que le réseau neuronal atteigne la plus haute précision de validation sur un ensemble de données cible. Notre méthode atteint des performances d'état de l'art sur CIFAR-10, CIFAR-100, SVHN et ImageNet (sans données supplémentaires). Sur ImageNet, nous obtenons une précision Top-1 de 83,5 %, soit 0,4 % meilleure que le précédent record de 83,1 %. Sur CIFAR-10, nous obtenons un taux d'erreur de 1,5 %, soit 0,6 % meilleur que l'état de l'art précédent. Les politiques d'augmentation que nous trouvons sont transférables entre différents ensembles de données. La politique apprise sur ImageNet se transpose bien pour réaliser des améliorations significatives sur d'autres ensembles de données tels qu'Oxford Flowers, Caltech-101, Oxford-IIT Pets, FGVC Aircraft et Stanford Cars.