한 줄 요약

Intro & Abstract

Data augmentation은 image classifier의 성능을 향상시키는 쉬운 방법.
왜 image augmentatio이 성능을 향상? $\to$ 데이터의 invariance들을 충분히 학습
- invariance(불변성)란? : 차이가 있거나 변환이 적용된 후에도 무언가가 동일하게 유지되는 속성,상태를 의미함
- 예를 들어 자동차,사과
그러나 데이터셋마다 이미지의 분포가 다르기 때문에 수동적으로 augmentation전략을 다뤄줘야 했음.
- 과일이 많은 데이터에 색에 대한 transform을 많이 적용하면? $\to$ 사과가 사과가 아니게 되겠죠?
이 논문에서는 데이터마다 적절한 augmentation policy을 자동적으로 찾기위해 강화학습을 사용함.
Imagenet과 CIFAR-10에서 Sota를 달성했음. 후에 끝판왕 느낌의 efficient net이 나오는데 그 때의 augmentation에도 활용.

크게 두 가지의 파트로 구분
1. Controller(RNN) : Polict가 있는 Search Space에서 하나의 augmentation policy를 sampling.
2. Child network : 이미지 분류기 sampling된 policy로 학습 후 validation accuracy R(reward)을 계산.
과정(충분히 반복)
policy sampling(by controller)
$\to$ fitting classifier,calculating reward
$\to$ contoller update,policy sampling
$\to$ fitting classifier,calculating reward
$\to$ contoller update,policy sampling
$\to$ fitting classifier,calculating reward
$\quad\quad\quad\quad\quad\quad\quad \vdots$
$\to$ optimal policy(converge to best augmentation strategy)

SVHN dataset에 적용한 예시
하나의 Policy는 5가지의 subpolicy로 구성됨.
subpolicy는 operation 2개와 probability,magnitude로 구성됨
- operation : 이미지 변형하는 방법 (Rotate,Brightness,ShearX,Inver 등등… 총 16가지 방법이 존재함)
- probability : 얼마나 많이 적용할거냐
- magnitude : 어느정도 강도로 할거냐
위의 예시에서 배치는 총 15개. 각각의 배치마다 균일분포로 어떤 subpolicy가 할당됨.(그림에서는 아예 33333씩 할당되었지만 실제는 아닐 수 있음.이해를 돕기 위함)
Note
- 동일한 subpolicy가 적용되는 배치들이라도 각 배치마다 다른 operation이 적용될 수 있음. 이는 probability 또한 subpolicy에 있기 떄문임

ImageNet에 적용한 예시 vs SVHN에서 적용한예시
SVHN에는 기하학적 변환이 많이 높은 확률로 첫번째 변환으로 적용되게 되어 있음(Shear X,Shear Y)
- SVHN은 숫자 이미지 dataset $$숫자가 비틀려있거나 왜곡되어 있는 경우가 많음.$$ 강인함을 policy는 기하학적 변환을 많이 포함.
- 또한 색변환도 어느정도 포함되어 있음.(이는 데이터에서 확인가능,데이터 자체에 반전되어 있는 경우도 많음)
Imagenet에는 색상 변환이 많이 높은 확률로 첫번째 변환으로 적용되게 되어 있음(Shear X,Shear Y)
- ImageNet은 다양한 물체들을 포함하는 dataset $\to$ 다양한 색상들이 포함되어 있음. $\to$ 강인함을 가지기 위해 policy는 색상 변환이 많이 포함

Result on many datasets

Result on Imagenet dataset