AutoAugment: データから学習する増強ポリシー

データ拡張は、現代の画像分類器の精度を向上させる効果的な手法です。しかし、現在のデータ拡張実装は手動で設計されています。本論文では、AutoAugmentと呼ばれる単純な手続きを説明し、自動的に改善されたデータ拡張ポリシーを探索します。当社の実装では、ポリシーが多くのサブポリシーから構成され、各ミニバッチ内の各画像に対してランダムに選択されるような検索空間を設計しました。サブポリシーは2つの操作からなり、それぞれの操作は翻訳（translation）、回転（rotation）、またはシアー変換（shearing）などの画像処理関数であり、これらの関数が適用される確率と強度も定義されます。我々は検索アルゴリズムを使用して、目標データセット上でニューラルネットワークが最高の検証精度を達成する最適なポリシーを見つけるための方法を開発しました。当社の手法はCIFAR-10、CIFAR-100、SVHN、およびImageNet（追加データなし）において最先端の精度を達成しています。ImageNetではTop-1精度が83.5%となり、以前の記録83.1%より0.4%向上しています。CIFAR-10では誤差率1.5%を達成しており、これは以前の最先端よりも0.6%優れています。我々が見つけた拡張ポリシーはデータセット間で転送可能であり、ImageNetで学習したポリシーはOxford Flowers, Caltech-101, Oxford-IIT Pets, FGVC Aircraft, およびStanford Carsなどの他のデータセットでも有意な改善を達成しています。