개요

다음 논문에 제시된
htps : // / r ぃ v. rg / pdf / 1805. 09501. pdf
AutoAugment:
Learning Augmentation Strategies from Data

AutoAugment라는 기술이 있지만,
이 기술은 정말 의미가 있습니까?
단순히 많은 경우를 계산하고 좋은 결과를 선택하는 것만이 아닌가?

라는, 개인의, 약간 아마추어(단, 완전한 초보자가 아니다)의 의문이 있습니다.
이 기사는 단순히 직관적 인 지적입니다.

추상

htps : // 아 rぃ v. rg / pdf / 1805. 09501. pdf
개요는 다음.

Google 번역 엄마

데이터 확장은 최신 이미지 분류기의 정확성을 향상시키는 효과적인 기술입니다. 그러나 현재 데이터 확장의 구현은 수동으로 설계되었습니다. 이 논문에서는 다음과 같은 간단한 단계를 설명합니다.
향상된 데이터를 자동으로 검색 AutoAugment
증보 정책. 우리의 구현에서는 정책이 많은 하위 정책으로 구성된 검색 공간을 설계했습니다. 그 중 하나는 각 이미지에 대해 무작위로 선택됩니다.
각 미니 배치에. 하위 정책은 두 가지 작업으로 구성되며 각 작업은 이미지 처리 기능입니다.
평행 이동, 회전, 시어링 등의 함수, 함수가 적용될 확률과 크기.
검색 알고리즘을 사용하여 다음과 같은 최상의 정책을 찾습니다.
신경망은 최고의 검증 정확도를 제공합니다
대상 데이터 세트. 우리의 방법은 최첨단 기술을 실현
CIFAR-10, CIFAR-100, SVHN 및 ImageNet 정확도
(추가 데이터 없음). ImageNet으로 최고 1 달성
정확도는 83.5%이며 이전보다 0.4% 우수
83.1% 기록. CIFAR-10에서는 다음 오류율을 달성합니다.
1.5%, 이것은 이전 최첨단 기술보다 0.6% 뛰어납니다. 우리가 찾은 증강 정책은
데이터 세트. ImageNet에서 학습한 정책은
다음과 같은 다른 데이터 세트로 상당한 개선을 실현합니다.
Oxford Flowers, Caltech-101, Oxford-IIT Pets, FGVC Aircraft, Stanford Cars.

요약

단순한 직관적인 기사입니다.
AutoAugment는 별로 의미가 없습니까? 라고 생각했습니다.
많이 계산하고 좋은 결과를 선택하는 것만으로는? 라고, 지금, 느꼈습니다.
(무엇을 말하려고 하고 있는지, 이해해 주실지 자신감이 없습니다만.)

코멘트 등 있으면 부탁드립니다.

별도로 의도를 나타낼 수 있는 검토를 할 수 있으면 표시합니다.
예를 들면, 이 기술로, 실운용을 수반하는 안건으로, 의미 있는 성과가 나오는 것인가? 라는 의문이 있습니다.