El desarrollo de un nuevo pipeline de aumentaciones rara vez es un proceso sencillo. Generalmente comienza con recortes y reflejos básicos, y luego se añaden elementos de proyectos anteriores, artículos y competiciones. Con el tiempo, se acumulan numerosas transformaciones sin una lógica clara detrás de su selección. Este artículo ofrece un método estructurado para abordar este reto: entender el propósito de cada transformación, lo que simula, cuán intensamente debe aplicarse y las suposiciones que hace sobre los datos. La idea clave es que la aumentación es una declaración clara sobre qué variaciones no deberían cambiar el significado de la etiqueta. Esta claridad facilita decidir qué conservar o eliminar y ayuda a distinguir los beneficios reales del ruido en el proceso de entrenamiento. No hay una 'solución mágica'; en su lugar, se enfatiza la intuición, un modelo mental y un protocolo paso a paso para sistemas prácticos. El artículo incluye una perspectiva ingenieril, dos niveles de análisis, un pipeline de siete pasos, ajustes de fuerza y presupuesto, técnicas avanzadas, diagnósticos, métricas, indicadores de daño, búsqueda automatizada, implementación y ejemplos.
Cómo Elegir Aumentaciones: Hipótesis, Protocolos y Métricas
Un enfoque sistemático para seleccionar aumentaciones de imágenes en proyectos de aprendizaje automático.
5 min readCiencia de Datos