ICCVMay, 2019

CutMix: 用可定位特征的正则化策略训练强分类器

PDF
TL;DR该论文提出了一种名为 CutMix 的数据增强策略，该策略结合了区域 dropout 策略和图像贴图技巧，其旨在提高卷积神经网络的分类性能，改善对象定位和提高网络的鲁棒性。实验结果显示，CutMix 方法在 ImageNet 数据集上的分类任务中能够持续地超越当前领先的数据增强方法，同时还能提高由其预训练的分类器在 Pascal 检测和 MSCOCO 图像字幕生成等任务中的表现。
regional dropout strategiesconvolutional neural network classifierscutmix augmentation strategyclassification taskspretrained models
发现论文，激发创造
  • Attentive CutMix：基于深度学习的图像分类增强数据增强方法

    本文提出了一种基于 Attentive CutMix 的图像分类数据增强策略，在训练过程中利用中间层的注意力图寻找最具有辨别度的图像区域，能够显著提高基于卷积神经网络的图像分类性能。

    Mar, 2020

  • SaliencyMix：一种基于显著性引导的数据增强策略，用于更好的正则化

    该研究提出了一种名为 SaliencyMix 的新型数据增强方法，能够有效地提高深度学习模型的泛化能力，使得该模型在图像分类上取得了最佳效果。

    Jun, 2020

  • ResizeMix：混合数据以保留对象信息和真实标签

    通过研究发现，基于图像显著性信息的数据混合并不一定对增强性能有太大帮助，采用更有效、更易于实现的 ResizeMix 方法进行数据混合比 CutMix 和基于显著性信息的方法更具优势。

    Dec, 2020

  • IPMix：用于训练鲁棒分类器的标签保持数据增强方法

    IPMix 提供了一种简单且可用于提高神经网络的鲁棒性的数据增强方法，通过整合图像级、补丁级和像素级三层数据增强，并引入结构复杂性和随机混合方法以扩大训练数据的多样性，实现在多个评估参数上的优越性能。

    Oct, 2023

  • PointCutMix：点云分类的正则化策略

    本研究提出了一种名为 PointCutMix 的简单有效的点云数据增强方法，通过优化两个点云之间的最优分配并将一个样本中的点替换为其最优分配对来生成新的训练数据，以提高各种模型在点云分类问题上的性能和模型的鲁棒性。

    Jan, 2021

  • 演化图像组合特征表示学习

    本文提出一种名为 PatchMix 的数据增强方法，并结合卷积神经网络进行训练，使得在广泛数据集上展现出了更好的迁移学习能力，同时还探索了进化搜索作为指导策略的方法。

    Jun, 2021

  • PatchShuffle 正则化

    本文提出一个名为 PatchShuffle 的新的正则化方法，可以帮助卷积神经网络（CNN）模型在数据较少的情况下改进其泛化能力，同时改善其对噪声和局部变化的鲁棒性。通过在本地补丁中混洗像素，PatchShuffle 生成具有内部无序补丁的图像和特征映射，从而创建丰富的本地变化。本文实验证明，采用 PatchShuffle 可以作为各种训练正则化技术（例如权值衰减，模型集成和 Dropout）的有益补充，并提高 CNN 模型的泛化能力。

    Jul, 2017

  • Catch-Up Mix: 卷积神经网络中落后滤波器的追赶类

    深度学习在计算机视觉中取得了重大突破，特别是在图像分类任务中。通过代替高度激活的特征，我们提出了一种名为 Catch-up Mix 的新方法，旨在解决模型对特定滤波器的过度依赖问题，在各种视觉分类数据集上表现出卓越的鲁棒性。

    Jan, 2024

  • 数据增强之图像混合与删除调查

    本文提供对数据增强技术中图片混合和删除方法的全面调查和分类，包含其强项、局限性、基本原理和应用， 并讨论其面临的挑战和未来研究方向，申明提供数据集和代码供评估。

    Jun, 2021

  • TokenMix: 重塑图像混合 在视觉 Transformer 中的数据增强

    本文提出了一种名为 TokenMix 的数据增强技术，它在令牌级别上混合两个图像，通过将混合区域分区成多个独立的部分来实现，其适用于更好地训练视觉变换器，同时根据预训练的 teacher 模型的内容基础神经激活映射分配目标分数，增强了其稳健性和性能。

    Jul, 2022