联合优化数据增强和网络训练：对抗数据增强在人体姿势估计中的应用

CVPRMay, 2018

联合优化数据增强和网络训练：对抗数据增强在人体姿势估计中的应用

Jointly Optimize Data Augmentation and Network Training: Adversarial Data Augmentation in Human Pose Estimation

Xi Peng, Zhiqiang Tang, Fei Yang, Rogerio Feris, Dimitris Metaxas

TL;DR提出对抗数据增强方法来优化神经网络模型的训练，通过生成难度较高的增强操作来让网络进行学习，实现训练的同时进行数据增强，对人体姿势估计问题进行实验测试，证明该方法能够显著提高模型性能而不需要额外的数据增强。

Abstract

random data augmentation is a critical technique to avoid overfitting in training deep neural network models. However, data augmentation and network training are usually treated as two isolated processes, limitin

random data augmentation deep neural network models adversarial data augmentation pose estimation joint training

发现论文，激发创造

人体姿态估计的自对抗训练

本文提出了一种基于深度学习的人体姿势估计方法，采用生成对抗网络作为学习模式，在两个相同结构的堆叠沙漏网络中设定生成器和判别器，生成器用作人体姿势估计，判别器将真实热力图与生成的热力图区分，通过对抗损失反向传播至生成器，使生成器学习合理的人体各部分构造，提高预测准确性。

Jul, 2017

对抗自动数据增强

通过使用对抗性方法，Adversarial AutoAugment 能够通过同时优化目标相关对象和数据增强策略搜索损失，以便更快且更有效率地完成深度神经网络的训练及图像分类任务，从而将计算成本减少 12 倍，时间开销减少 11 倍，达到了最佳的实验成果。

Dec, 2019

对抗性语义数据增强用于人体姿态估计

提出了基于语义数据增强和对抗学习的人体姿势估计方法，在应对外观对称性、严重遮挡和近距离干扰等多种挑战性情况下，取得了最先进的结果。

Aug, 2020

当人体姿态估计遭遇鲁棒性：对抗算法和基准测试

本文旨在解决目前姿态估计算法对于数据噪声的不稳健性问题，提出了一种可以在广泛的姿态估计模型中提高鲁棒性的新算法 ——AdvMix，该算法包含对抗样本生成和知识蒸馏两部分，并经过大量数据实验验证其可显著提高姿态估计的鲁棒性。

May, 2021

三维人体姿态估计中的领域泛化的双增强框架

我们提出了一种新的框架，使用两个姿势增强器，以应对 3D 人体姿势估计领域普遍化中的若干限制，并通过元优化模拟领域移位，从而显著提高姿势估计器的普适能力。

Mar, 2024

仅进行数据增强即可改善对抗训练

本文证明了，与先前的研究相反，仅凭借数据增强，可以显着提高对抗训练的准确性和鲁棒性，数据增强的多样性和难度是提高训练效果的重要因素。作者提出了新的数据增强方案，并通过实验验证，达到了对抗训练中数据增强的最佳效果。

Jan, 2023

通过对抗学习实现自然环境下的三维人体姿态估计

本论文提出了一种对抗性学习框架，利用基于多源鉴别器的几何描述符对在野外场景下的 2D 姿态注释图像进行 3D 人体姿态估计。实验证明，该方法在公共基准测试上明显优于以往的最先进方法。

Mar, 2018

通过对抗性学习实现鲁棒准确的物体检测

本文提出了一种基于敌对样本的选择性、动态并且与检测器演化相关的数据扩增方法，该方法适用于目标检测模型，能够大幅提高模型的鲁棒性和检测精度。与基于模型无关的自动增广方法相比，在不同的检测模型中，该方法表现更加广泛和稳健。

Mar, 2021

生成对抗网络在人员再识别系统中的数据增强综述

本文综述了如何使用生成对抗网络改善通过数据增广提高人员再识别模型性能的最新方法，主要聚焦于样式转移、姿态转移和随机生成三类数据增广方法。

Feb, 2023

数据增强生成对抗网络

本文提出了一种用于数据增强的生成对抗网络 (DAGAN) 模型，其可帮助神经网络在数据不足的情况下提高泛化能力，实验结果显示在 Omniglot、EMNIST 以及 VGG-Face 数据集中，使用 DAGAN 后精度显著提高，我们同时还使用 DAGAN 增强了匹配网络 (Matching Networks) 的性能。

Nov, 2017