AutoAugment: 데이터에서 학습하는 증강 정책

데이터 증강은 현대 이미지 분류기의 정확도를 향상시키는 효과적인 기술입니다. 그러나 현재의 데이터 증강 구현은 수작업으로 설계됩니다. 본 논문에서는 자동으로 개선된 데이터 증강 정책을 탐색하는 간단한 절차인 AutoAugment(오토오그멘트)에 대해 설명합니다. 우리의 구현에서, 정책은 여러 하위 정책(sub-policy)로 구성된 검색 공간(search space)을 설계하였습니다. 각 미니 배치(mini-batch)의 모든 이미지에 대해 무작위로 하나의 하위 정책이 선택됩니다. 하위 정책은 두 가지 연산으로 구성되며, 각 연산은 번역(translation), 회전(rotation), 또는 전단(shearing)과 같은 이미지 처리 함수와 함수가 적용되는 확률 및 크기를 포함합니다. 우리는 검색 알고리즘을 사용하여 신경망이 대상 데이터셋에서 가장 높은 검증 정확도(validation accuracy)를 제공하는 최적의 정책을 찾습니다.우리의 방법은 CIFAR-10, CIFAR-100, SVHN, 그리고 ImageNet(추가 데이터 없음)에서 최고 수준의 정확도를 달성하였습니다. ImageNet에서는 이전 기록인 83.1%보다 0.4% 높은 83.5%의 Top-1 정확도를 달성하였습니다. CIFAR-10에서는 이전 최고 수준보다 0.6% 낮은 1.5%의 오류율을 달성하였습니다. 우리가 발견한 증강 정책들은 데이터셋 간에 전이 가능합니다. ImageNet에서 학습된 정책은 Oxford Flowers, Caltech-101, Oxford-IIT Pets, FGVC Aircraft, 그리고 Stanford Cars와 같은 다른 데이터셋에서도 유의미한 향상을 이루었습니다.