看清前先看远：微弱监督数据增强网络用于细粒度视觉分类

Jan, 2019

看清前先看远：微弱监督数据增强网络用于细粒度视觉分类

See Better Before Looking Closer: Weakly Supervised Data Augmentation Network for Fine-Grained Visual Classification

Tao Hu, Honggang Qi, Qingming Huang, Yan Lu

TL;DR本文提出了基于弱监督数据增强网络（WS-DAN）来增强数据的判别力，通过产生注重于目标物体区域的注意力图，从而提升深度神经网络的训练，从而提高了图像分类的准确性，得到了优于现有最优模型的结果。

Abstract

data augmentation is usually adopted to increase the amount of training data, prevent overfitting and improve the performance of deep models. However, in practice, random data augmentation, such as random image c

data augmentation weakly supervised learning object classification attention maps deep learning

发现论文，激发创造

弱监督语义分割的上下文解耦增强

本篇论文提出了一种名为 Context Decoupling Augmentation 的方法，通过改变物体出现的内在背景来驱动模型消除物体实例与背景之间的关联，从而提高珂以提高弱监督语义分割方法的性能。在 PASCAL VOC 2012 数据集上进行的实验表明，本方法显著提高了几种流行的弱监督语义分割方法的性能。

Mar, 2021

群体参与：一种弱监督深度学习框架用于从 Web 数据中学习

本文介绍了一种鲁棒性强的、端到端的深度弱监督学习框架，该框架通过随机分组和注意力机制来有效减少 Web 图片注释的负面影响，实现了对嘈杂标签的有效抑制和准确图像标注，实验证明了该方法的卓越性能。

Nov, 2016

基于显著性引导的自注意力网络用于弱监督和半监督语义分割

该论文提出一种基于自注视网络和显著性先验的半监督语义分割模型，能够准确地定位并分割图像区域，且在 PASCAL VOC 2012 上的表现优于目前所有其他先进方法。

Oct, 2019

使用 GAN 进行合成数据增强，以提高自动化视觉检查的效果

本研究使用人工智能模型进行视觉质量检测，探讨了监督学习和非监督学习的缺陷检测技术以及数据增强技术，结果表明采用生成对抗网络进行数据增广可以获得最佳分类性能

Dec, 2022

贝叶斯数据增强方法用于深度模型学习

提出了一种基于贝叶斯公式，利用广义蒙特卡洛期望最大化算法和生成对抗网络的方法，能更好地生成新的标注训练样本，并在 MNIST，CIFAR-10 和 CIFAR-100 的数据集中取得了优于现有数据增强方法和 GAN 模型的分类结果。

Oct, 2017

半监督和任务驱动的数据增强

本文技术为使用生成模型并结合任务驱动数据增强方法，显式地建模变形场和强化蒙版，用于为监督型深度学习模型训练新的 MRI 心脏分割训练数据，实验结果表明该方法在小样本数据的分割任务中表现优异。

Feb, 2019

远程感知图像中的数据增强和适应的条件生成对抗网络

使用 GAN 将给定的标记遥感图像拓展成更大的数据集并评测其对于物体检测任务的性能提升。

Aug, 2019

通过增强单个图像进行无监督特征学习

本文研究如何将数据增强应用于无监督特征学习，我们将各种变换应用于随机图像块，通过卷积神经网络分类学习到有用的特征表示，同时实验结果显示这一算法能在多个视觉数据集上取得较为有竞争性的分类结果。

Dec, 2013

弱监督深度检测网络

本文探讨探索深度卷积神经网络的力量，提出了一种弱监督的深度检测架构，该架构可以同时进行区域选择和分类，并使用图像分类器训练，从而比实现图像级分类任务的标准数据增强和微调技术更好地学习目标探测器。

Nov, 2015

学习绕道：弱监督语义分割的快速通道缓解增强

本文提出了用于弱监督语义分割的快捷方式缓解增强方法（SMA），通过生成在训练数据中未见的对象 - 背景组合的合成表示来减少快捷方式特征的使用，在 PASCAL VOC 2012 和 MS COCO 2014 数据集上实现了语义分割结果的改进性能。

May, 2024