样式增强：通过样式随机化进行数据增强

Sep, 2018

样式增强：通过样式随机化进行数据增强

Style Augmentation: Data Augmentation via Style Randomization

Philip T. Jackson, Amir Atapour-Abarghouei, Stephen Bonner, Toby Breckon, Boguslaw Obara

TL;DR本文提出了一种基于随机样式转换的数据增广方法，即样式增广，以提高卷积神经网络在分类、回归和领域迁移任务中的鲁棒性。在训练期间，通过从多元正态分布中采样输入样式嵌入，将任意样式转换网络调整为执行样式随机化，以随机化纹理、对比度和颜色，同时保留形状和语义内容，并且与传统的数据增广技术相结合以改进网络性能。通过分类和单目深度估计领域迁移实验的验证，证明本文提出的技术方法能够提高模型的泛化能力。

Abstract

We introduce style augmentation, a new form of data augmentation based on random style transfer, for improving the robustness of convolutional neural networks (CNN) over both classification and regression based t

style augmentation data augmentation convolutional neural networks domain transfer texture randomization

发现论文，激发创造

STaDA: 基于样式迁移的数据增强方法

本研究评估了采用神经风格转换作为数据增强方法对图像分类任务的有效性，并在 Caltech 101 和 Caltech 256 数据集上获得了大约 2％的准确度提高。同时，还将神经风格转换方法与传统数据增强方法相结合，进一步提高了图像分类的性能。这项工作展示了神经风格转换在计算机视觉领域的潜力，例如帮助我们减轻收集足够标记数据的难度并提高通用基于图像的深度学习算法的性能。

Sep, 2019

WSAM: 从样式增强中产生的视觉解释作为对抗性攻击器及其在图像分类中的影响

本文提出了一种使用基于随机采样和噪音添加的样式增强算法，以改善一般线性变换的样式转移中的随机性，通过我们的增强策略，所有模型不仅在图像风格化方面表现出极高的鲁棒性，而且在 STL-10 数据集上超越了所有先前方法并超过了最先进的性能。同时，我们对模型在不同样式变化下的解释进行了分析，并比较了在训练设置中应用于深度神经架构时的性能的全面实验。

Aug, 2023

样式转移作为数据增强的案例研究：命名实体识别

我们在英语中以命名实体识别任务为案例研究，探索样式迁移作为数据增强方法以增加低资源情境下的训练数据的大小和多样性。我们通过改变高资源域中的文本样式相关属性来生成合成数据进行训练，并设计一种受限的解码算法和一系列关键因素来选择数据以保证生成有效和连贯的数据。五种不同领域之间的实验和分析表明，我们的方法与当前最先进的数据增强方法相比可以显着改善结果。我们的方法是一种实际的数据稀缺性解决方案，并且我们预计它可应用于其他 NLP 任务。

Oct, 2022

利用样式增强特征域混合的组织病理学图像分析以提高泛化能力

本研究提出了一种基于特征域风格混合的技术，利用自适应实例归一化生成具有风格增强版本的图像。通过与现有的基于风格迁移的数据增强方法进行比较，发现该方法在计算和时间上要求较低的情况下表现相似或更好。研究结果展示了特征域统计混合在组织病理学图像分析学习模型的泛化中的潜力。

Oct, 2023

医学图像中的域泛化复杂风格转换

本文介绍了一种名为 CompStyle 的新型框架，利用样式转换和对抗训练以及高级输入复杂性增强来扩展域空间和处理未知的分布，以提高自动化系统和深度学习模型的性能。实验证明我们的方法在肾脏数据的语义分割和心脏数据的损坏鲁棒性上都能提高性能，而无需额外的培训时间或资源。

Jun, 2024

对抗样式增强用于领域泛化城市场景分割

本文提出 Adversarial Style Augmentation 方法来解决语义分割中的领域通用性问题，其通过在训练过程中动态生成样式强化的图像，以有效地避免模型过度拟合于源域，并且在两个合成 - 真实语义分割基准测试数据集上进行实验，结果显示 Adversarial Style Augmentation 可以显着提高模型在未见真实域上的性能。

Jul, 2022

提高恶意示例的可转移性：任意风格转移

通过使用不同域中的数据增强，我们提出了一种名为 Style Transfer Method（STM）的新的攻击方法，利用提出的任意风格转换网络将图像转换为不同的域，从而显著提高了对抗性可转移性。

Aug, 2023

重新思考领域泛化基线

本文针对深度学习部署时出现的不稳定问题，研究了领域泛化方法和数据增强策略。作者聚焦于风格迁移数据增强，展示了如何以简便廉价的策略实现增强，分析了现有领域泛化方法与该策略结合时的表现，并提出了新的领域泛化研究方向。

Jan, 2021

基于风格迁移的图像合成作为深度学习中有效的正则化技术

本文探讨了深度学习在图像分析和分类方面的弱点，提出利用基于神经风格转换的数据增强方法以提高数据集的泛化能力，并通过应用于皮肤病分类案例验证了其潜力。

May, 2019

通过对比学习增强领域任意图像风格转移

本文提出一种使用深度对比学习的方法，通过学习图像特征来获得图像的样式表示，并使用生成网络进行样式转移。研究表明，相对于现有的基于二阶统计量的方法，这种方法能够更加有效地获取图像的样式信息并生成更好的结果。

May, 2022