Uma pesquisa sobre algoritmos de aumento de dados automatizados para tarefas de classificação de imagens baseadas em aprendizado profundo

Resumo Nos últimos anos, uma das técnicas mais populares na comunidade de visão computacional tem sido a técnica de aprendizado profundo. Como uma técnica baseada em dados, o modelo profundo requer enormes quantidades de dados de treinamento rotulados com precisão, que muitas vezes são inacessíveis em muitas aplicações do mundo real. Uma solução de espaço de dados é o Aumento de Dados (DA), que pode gerar artificialmente novas imagens a partir de amostras originais. As estratégias de aumento de imagem podem variar por conjunto de dados, já que diferentes tipos de dados podem exigir diferentes aumentos para facilitar o treinamento do modelo. No entanto, o design das políticas de DA tem sido amplamente decidido por especialistas humanos com conhecimento de domínio, o que é considerado altamente subjetivo e propenso a erros. Para mitigar tal problema, uma nova direção é aprender automaticamente as políticas de aumento de imagem a partir do conjunto de dados dado usando técnicas de Aumento de Dados Automatizado (AutoDA). O objetivo dos modelos de AutoDA é encontrar as políticas de DA ideais que podem maximizar os ganhos de desempenho do modelo. Esta pesquisa discute as razões subjacentes ao surgimento da tecnologia AutoDA do ponto de vista da classificação de imagens. Identificamos três componentes-chave de um modelo padrão de AutoDA: um espaço de busca, um algoritmo de busca e uma função de avaliação. Com base em sua arquitetura, fornecemos uma taxonomia sistemática das abordagens existentes de AutoDA de imagem. Este artigo apresenta os principais trabalhos na área de AutoDA, discutindo seus prós e contras, e propondo várias direções potenciais para melhorias futuras.