Randaugment: Aumento de dados automatizado prático com um espaço de busca reduzido

Trabalhos recentes sobre estratégias de aumento automatizado levaram a resultados de ponta na classificação de imagens e detecção de objetos. Um obstáculo para a adoção em larga escala desses métodos é que eles requerem uma fase de busca separada e cara. Uma maneira comum de superar o custo da fase de busca foi utilizar uma tarefa proxy menor. No entanto, não estava claro se os hiperparâmetros otimizados encontrados na tarefa proxy também são ótimos para a tarefa real. Neste trabalho, repensamos o processo de design de estratégias de aumento automatizado. Constatamos que, enquanto trabalhos anteriores exigiam uma busca tanto pela magnitude quanto pela probabilidade de cada operação de forma independente, é suficiente buscar apenas uma única magnitude de distorção que controla conjuntamente todas as operações. Portanto, propomos um espaço de busca simplificado que reduz drasticamente o custo computacional do aumento automatizado e permite a remoção de uma tarefa proxy separada. Apesar das simplificações, nosso método alcança desempenho igual ou melhor do que as estratégias de aumento automatizado anteriores nos conjuntos de dados CIFAR-10/100, SVHN, ImageNet e COCO. Com o EfficientNet-B7, alcançamos 85,0% de precisão, um aumento de 1,0% em relação ao aumento de linha de base, uma melhoria de 0,6% sobre o AutoAugment no conjunto de dados ImageNet. Com o EfficientNet-B8, alcançamos 85,4% de precisão no ImageNet, que coincide com um resultado anterior que utilizou 3,5 bilhões de imagens extras. Na detecção de objetos, o mesmo método que na classificação leva a uma melhoria de 1,0-1,3% em relação ao aumento de linha de base. O código será disponibilizado online.