randAugmentation
randAugmentation
主要思想:
随机的选择transformation,finetune它的magnitute
关注点转移到了如何大幅减少数据增强的参数空间。
成果:
在目标检测方面,RandAugment能比基线增强方法提高1.0-1.3%。
速度极大加快
具体思想:
不考虑的参数
为了减少参数空间的同时保持数据(图像)的多样性,研究人员用无参数过程替代了学习的策略和概率
这些策略和概率适用于每次变换(transformation),该过程始终选择均匀概率为1/k的变换。
也就是说,给定训练图像的N个变换,RandAugment就能表示KN个潜在策略。
考虑的参数:
需要考虑到的一组参数是每个增强失真(augmentation distortion)的大小。
假设一个单一的全局失真M(global distortion M)可能就足以对所有转换进行参数化。
操作:
transforms = ["Identity", "AutoContrast", "Equalize", "Rotate", "Solarize", "color", "Poestrize", "Contrast", "Brightness", "Sharpness", "ShearX", "ShearY", "TranslateX", "TranslateY"]
def randaugment(N, M):# 产生一系列的失真, N:Number of augmentation transformations to apply sequentially# M: Magnitude for all the transformations. # 因为这两个参数都是可人为解释的,所以N和M的值越大,正则化强度就越大。 sampled_ops = n.random.choice(transforms, N)return [(op, M) for op in smapled_ops]
可以使用标准方法高效地进行超参数优化,但是考虑到极小的搜索空间,研究人员发现朴素网格搜索(naive grid search)是非常有效的。
知识点:
网格搜索,搜索的是参数,即在指定的参数范围内,按步长依次调整参数,利用调整的参数训练学习器,从所有的参数中找到在验证集上精度最高的参数
randAugmentation相关推荐
- 图片分类网络ViT、MobileViT、Swin-Transformer、MobileNetV3、ConvNeXt、EfficientNetV2
文章目录 一.Vision Transformer 二.Swin-Transformer 三.MobileViT 3.1 为什么引入CNN与Transformer的混合架构 3.2 性能对比 3.3 ...
- 基于图像的数据增强方法发展现状综述
基于图像的数据增强方法发展现状综述 人工智能技术与咨询 2022-03-22 20:57 点击蓝字 · 关注我们 来源:< 计算机科学与应用> ,作者冯晓硕等 关键词: 数据增强:图像数据 ...
- 【transformer】【pytorch】DeiT的数据增强
1 main中的相关参数 #函数:def get_args_parser(): parser.add_argument('--input-size', default=224, type=int, h ...
最新文章
- 树的懒加载怎么用ajax调接口,ElementUI tree树形控件的懒加载使用
- Tensorflow LSTM时间序列预测的尝试
- 编写递归下降语法分析器_Python3知识点流程控制、迭代器、生成器快速入门
- 【企业管理】组织与管理的思考
- 2021的第一个offer来自mbzuai
- LINUX内核杂记(1)-处理器与单内核
- lintcode:二叉树的层次遍历
- 成为单片机高手必知的三个重要步骤(干货分享)
- 如何在VMWare的Ubuntu虚拟机中设置共享文件夹
- chrome自动提交文件_收集文档及提交名单统计
- 不懂得使用工具的测试不是好测试
- Spring Boot入门(5)表单验证
- 视频在html不能播放器,网页播放器打不开的解决方法
- 机器学习——训练模型
- Base32编码转换
- 英语语音篇 - 元音自然拼读
- 学phyton第一天
- jsp处理的生命周期
- BIND配置文件详解(三)
- Maven的-pl用法