论文阅读：Scale-aware Automatic Augmentation for Object Detection (CVPR 2021)

paper: https://arxiv.org/abs/2103.17220
code: https://github.com/dvlab-research/SA-AutoAug GitHub - dvlab-research/SA-AutoAug

目录

1 Motivation

1.1 图像级增强 Image-level augmentations

1.2 盒级增强 Box-level augmentations

2 Methods

2.1 搜索空间

2.2 评价指标

2.3 搜索算法

2.4 整体框架

3 实验

数据增强包括两个发展方向，一类是数据增强方法，另外一类是数据增强的组合策略。本文延续了AutoAugment的思路，提出一种适合目标检测的数据增强策略搜索方法。

自动增强方法[9,51,22,27,26]通常将寻找最佳增强策略的过程描述为一个搜索问题。数据增强的组合策略问题一般包括三个部分：（1）搜索空间；（2）搜索算法；（3）评价指标。搜索空间可能因任务而异，例如：对AutoAugment，数据增强策略包含五个子策略（sub-policy），每个子策略包括两个操作（operations），每个操作对应一种数据增强方法的强度和执行概率；对于搜索算法，通常使用强化学习[52]和进化算法[38]在迭代中探索搜索空间；评价指标是模型在代理任务（训练集子集）上训练测试，用作搜索算法的反馈。

设计的缩放感知搜索空间包含图像级和框级增强。图像级增强功能包括对整个图像的放大和缩小功能。对于框级增强，在图像中搜索对象的颜色和几何操作。

1 Motivation

1.1 图像级增强 Image-level augmentations

为了处理尺度变化，对象检测器通常使用图像金字塔进行训练。但是，这些比例设置高度依赖手工选择。在我们的搜索空间中，我们通过可搜索的放大和缩小功能来减轻这种负担。如图2左侧所示，放大和缩小功能由概率P和幅度M指定。具体而言，概率Pin和Pout在0到0.5的范围内搜索。在这个范围内，可以用概率来保证原始尺度的存在。