NeurIPS2020｜：新型自动数据增强方法解读(6)

5.搜索过程展示最后，我们还展示了我们的策略分布在整个搜索过程中的变化。如下图所示（左右分别对应CIFAR-10、ImageNet），增强操作在最初均为均匀分布（图中做了平滑）；随着搜索进程推进，多数操作的概率开始趋向0，而为数不多的数个操作的概率则不断增大，体现出分化的过程。

结语
在这项工作中我们提出了一种利用权重共享思想的新型自动数据增强方法。该方法很好地解决了自动数据增强的评估效率与评估可靠性之间的矛盾问题，充足的实验结果也验证了其的高效性和有效性。最后，我们还期待这项工作中的现象或蕴含的思想能够对更多的超参数优化工作带来帮助和启发。如果您希望作进一步讨论，欢迎与我们联系：[email protected]。
招聘信息
我们来自商汤研究院，主要专研于全生命周期的AutoML技术（Auto Aug、NAS、Auto Loss、Auto Sampler）和公司的通用检测模型（包括人脸、人脸人体、车辆结构化、视频分类、关键点等感知模型）等相关研究，组内工作多次被宣传，成果不但发表在各大会议上，更在公司产品中有落地应用。组内有海外教授担任相关技术顾问，GPU卡非常丰富，组员背景丰富。感兴趣的同学可以投递简历至[email protected], 实习，校招，正式均可。期待能够长期实习/在检测等感知算法或者数学方面有突出的经历的正式小伙伴。
References
[1] Cubuk, Ekin D., et al. "Autoaugment: Learning augmentation policies from data." arXiv preprint arXiv:1805.09501(2018).[2] Zhang, Xinyu, et al. "Adversarial autoaugment." arXiv preprint arXiv:1912.11188 (2019).[3] Lin, Chen, et al. "Online hyper-parameter learning for auto-augmentation strategy."Proceedings of the IEEE International Conference on Computer Vision. 2019.