사람이 정한 증강에서 탐색으로
자료 증강은 분류기의 일반화를 돕지만 어떤 변환을 얼마나 적용할지는 사람이 정하는 경우가 많았다. AutoAugment는 더 나은 조합을 탐색하는 문제로 이를 구성했다.
두 연산의 하위 정책
각 하위 정책은 두 개의 이미지 처리 연산으로 이뤄진다. 이동과 회전 및 전단 같은 변환에 적용 확률과 강도를 함께 두고, 미니배치의 이미지마다 하위 정책 하나를 무작위로 선택한다.
검증 자료의 성능 활용
탐색 알고리즘은 목표 데이터셋에서 신경망의 검증 정확도가 높아지는 정책을 찾는다. 자료 증강의 설계와 모델 성능의 관계를 실험적으로 최적화하는 접근이다.
다른 데이터셋으로의 전이
초기 논문은 CIFAR와 SVHN 및 ImageNet에서 평가했다. ImageNet에서 찾은 정책을 꽃과 동물 및 항공기와 자동차 등 다른 이미지 자료에 적용하는 전이 실험도 보고했다.
관련 문서
RandAugment / CutMix / Cutout / MixUp / UDA 일관성 학습 / Noisy Student