Sep, 2018

关于场景理解中数据增强的视觉上下文重要性

PDF
TL;DR在通常正常的数据增量中增加特定任务需求的先验知识，在对象检测语境下，通过利用卷积神经网络来预测图像中可以放置物体的区域，同时仅使用有限的数据集，通过弱监督学习得到显著的提高。
data augmentationdeep neural networksartificial intelligenceobject detectionsegmentation
发现论文，激发创造
  • 建模视觉上下文是扩充物体检测数据集的关键

    本研究旨在通过利用分割注释来增加训练数据中的物体实例数量，通过适当地对物体周围的视觉环境进行建模以在物体所处的正确环境中放置它们，以提高少量标记样本的 VOC'12 基准测试平均精度。

    Jul, 2018

  • 通过数据增强来连接计算机视觉和机器人视觉：物体识别案例研究

    本文提出了一种简单但有效的数据增强层，以缩小机器人视觉和常规图像分类之间的差距，并在三个不同的基准数据库实验中获得高达 7％的目标识别性能提升。

    May, 2017

  • 室内场景物体检测训练数据的合成

    本文探讨了使用合成图像训练最先进的对象检测器，特别是针对对象实例检测。我们在实际环境的图像中将纹理对象模型的 2D 图像叠加在一起，以便在各种位置和比例上进行训练。通过这些实验，我们证明了利用现有的对象模型仓库为新对象训练检测器的新机会。

    Feb, 2017

  • 不用汽车看路边：量化并控制上下文对分类和分割的影响

    该研究论文中提出了一种量化黑盒视觉模型对视觉背景依赖性的方法，通过编辑图像并测量目标模型的响应，以发现物体与背景之间的不良依赖性，并提出基于物体去除的数据增强方案以缓解这种依赖性，从而提高分类和分割模型对环境变化的鲁棒性。

    Dec, 2018

  • 目标检测数据增强策略的学习

    本研究研究了数据增强对目标检测的影响和作用，探究了深度学习模型训练中利用学习的特殊数据增强策略来优化模型的表现，并在 COCO 数据集上证明了其有效性，最终提高了 50.7 mAP 的检测精度。

    Jun, 2019

  • 无监督视觉表示学习：基于上下文预测

    该研究探讨了利用空间上下文作为丰富的视觉表征的监督信号的方法。通过从每个图像中提取随机配对的路径来训练卷积神经网络，用于预测第二个路径相对于第一个路径的位置，从而实现对目标的识别，并证明该方法在性能上优于其他算法。

    May, 2015

  • 数据集增强与实例级别的数据扩充

    本研究提出了一种使用预训练的潜在扩散模型来扩充数据集的方法，并引入了实例级数据增强的概念。该方法通过重新绘制场景内的个别对象来改善卓越的显著目标检测、语义分割和物体检测模型的性能和泛化能力，并在需要数据匿名化时，通过重新绘制隐私敏感实例来实现。

    Jun, 2024

  • 图像分类中有效数据增广的遮挡技术

    通过批量数据增强技术中的遮盖作为数据增强手段，在高容量模型上（例如 ResNet50）的图像分类任务中，为提高性能提供了一种简单的技术；同时，可以使用不同数量的遮挡来研究不同神经网络架构的鲁棒性。

    Oct, 2019

  • ContextMix: 一种用于工业视觉检测系统的上下文感知数据增强方法

    深度神经网络在工业制造环境中，数据增强成为了缓解过拟合和提升网络性能的关键策略。我们提出了一种针对工业应用和基准数据集的方法 ContextMix，通过调整图片大小并将其整合到批次中的其他图片中，生成新的数据。该方法在性能上超过了现有的增强技术，并在公共基准数据集上的分类、检测和分割任务中展示了改进的结果。在真实的工业环境中，我们的方法表现出了显著的效果，尤其是在被动元件数据集上。

    Jan, 2024

  • 增强现实与计算机视觉：城市驾驶场景的高效数据生成

    本研究探讨了结合实际图片和虚拟对象的增量学习方法，通过少量用户交互的方式，将虚拟对象添加到实际图片中，从而提高物体实例分割模型的性能。通过在 KITTI 2015 和 Cityscapes 数据集上的实验结果表明，增量学习方法可以显著提高实例分割和物体检测模型的泛化能力。

    Aug, 2017