要約
データ拡張は、現代の画像分類器の精度向上に効果的な手法である。しかし、現在のデータ拡張の実装はすべて手動で設計されている。本論文では、改善されたデータ拡張方策を自動的に探索するためのシンプルな手順であるAutoAugmentを提案する。本実装では、各ミニバッチ内の画像ごとにランダムに選ばれる複数のサブポリシーから構成されるポリシー空間を設計した。各サブポリシーは2つの画像処理操作から構成され、それぞれの操作は平行移動、回転、せん断などの画像処理関数であり、それらの関数が適用される確率と強度（マグニチュード）を含む。我々は、ターゲットデータセット上でニューラルネットワークの検証精度が最大となるような最適なポリシーを探索するための探索アルゴリズムを用いた。本手法は、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た。特にImageNetでは、Top-1精度83.5％を達成し、従来の記録である83.1％を0.4％上回った。CIFAR-10では1.5％の誤差率を達成し、従来の最先端手法よりも0.6％優れていた。また、発見した拡張ポリシーは異なるデータセット間で転移可能である。ImageNetで学習したポリシーは、Oxford Flowers、Caltech-101、Oxford-IIT Pets、FGVC Aircraft、Stanford Carsなど、他のデータセットにおいても良好な転移性能を示し、顕著な精度向上をもたらした。