深度学习基础的图像分类任务中自动数据增广算法的调查

摘要：近年来，计算机视觉领域最流行的技术之一就是深度学习技术。作为一种数据驱动的技术，深度模型需要大量准确标记的训练数据，而这些数据在许多实际应用中往往难以获取。一种数据空间解决方案是数据增广（DA），它可以根据原始样本人工生成新图像。图像增广策略可能因数据集而异，因为不同的数据类型可能需要不同的增广来促进模型训练。然而，DA政策的设计在很大程度上是由具备领域知识的人类专家决定的，这被认为是高度主观且容易出错的。为了解决这个问题，一个新方向是使用自动化数据增广（AutoDA）技术从给定的数据集中自动学习图像增广政策。AutoDA模型的目标是找到能够最大化模型性能提升的最佳DA政策。本文从图像分类的角度讨论了AutoDA技术出现的基本原因。我们识别出标准AutoDA模型的三个关键组成部分：搜索空间、搜索算法和评估函数。基于这些架构，我们提供了现有图像AutoDA方法的系统分类。本文介绍了AutoDA领域的主要工作，讨论了它们的优缺点，并提出了几个未来改进的潜在方向。