近日，包括 Quoc Le 在内的谷歌谷歌大脑团队发表了一篇名为「RandAugment：实用的自动数据扩充功能，减少了搜索空间」的研究。该论文在社交媒体引起了广泛的关注。RandAugment 的搜索空间大大减少了，从而使它可以针对目标任务进行训练，而无需单独的代理任务。此外，由于参数化，可以将正则化强度调整为适合不同的模型和数据集大小。RandAugment 可以在不同的任务和数据集中统一使用，并且可以立即使用，与 CIFAR-10 / 100，SVHN 和 ImageNet 上的所有自动增强方法匹配或超越。在 ImageNet 数据集上，该技术达到了 85.0％的准确度，比以前的最新技术提高了 0.6％，与基线增强相比提高了 1.0％。在对象检测方面，RandAugment 会比基线增强提高 1.0-1.3％，并且在 COCO 上 AutoAugment 的 mAP 处于 0.3％以内。最后，由于其可解释的超参数，RandAugment 可用于研究模型和数据集大小不同时数据增强的作用。GitHub 传送门：bit.ly/2OvMJi3