Создание нового пайплайна аугментаций редко бывает простым делом. Обычно это начинается с базовых кропов и отражений, а затем постепенно добавляются элементы из предыдущих проектов, статей и соревнований. В итоге накапливается множество трансформаций без четкой логики выбора. Эта статья предлагает структурированный метод для решения этой задачи: понимание цели каждой трансформации, что она симулирует, как сильно ее следует применять и какие предположения она делает о данных. Ключевая идея заключается в том, что аугментация является четким утверждением о том, какие вариации не должны изменять смысл метки. Эта ясность помогает решить, что оставить, а что убрать, и отличить реальные преимущества от простого шума в процессе обучения. Нет 'волшебного решения'; вместо этого акцент делается на интуиции, ментальной модели и пошаговом протоколе для практических систем. В статье рассматривается инженерный взгляд, два уровня анализа, семишаговый пайплайн, настройки силы и бюджета, продвинутые приемы, диагностика, метрики, признаки вреда, автоматический поиск, развертывание и примеры.
Как выбирать аугментации: гипотезы, протоколы и метрики
Системный подход к выбору аугментаций изображений для проектов машинного обучения.
5 min readНаука о Данных