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

本文介绍了一种自动搜索图像数据增强策略，使用神经网络在目标数据集上产生最高准确性，并在 CIFAR-10，CIFAR-100，SVHN 和 ImageNet 数据集上实现了最先进的准确性，同时找到的增强策略可在不同数据集间转移学习。

May, 2018

本文系统地综述了不同的图像数据增强方法，提出了分类学，分析了这些方法的优点和局限性，以及在三个典型的计算机视觉任务上所做的大量实验，包括语义分割，图像分类和物体检测。最后，我们讨论了数据增强面临的挑战以及未来的研究方向，以提出一些有用的研究指导。

Apr, 2022

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

本文提出了一种优化图像识别模型和数据增强策略的方法，使用梯度下降同时优化两者，通过使用 Neumann 级数逼近来近似策略梯度，以实现高效可扩展的训练，以提高各种图像分类任务的性能。

Jun, 2020

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。

Sep, 2018

本文研究数据增强在图像分类中的应用，对比了多种增强技术，包括传统的裁剪、旋转和翻转以及使用 GAN 生成不同风格的图像，并提出了一种名为神经增强的方法，通过训练神经网络自学习增强，以提升分类器性能，对该方法在不同数据集上表现的优劣进行了讨论。

Dec, 2017

为了提高具有有限标记样本的交通监测任务中模型的性能，我们提出了一种面向静态摄像头应用的对象检测数据集的简单增强技术，通过将对象放置在与原始对象相同的位置上来确保其有效性，并通过对同一摄像机输入图像中的对象进行就地增强，解决了与原始和先前选择的对象重叠的挑战。通过在两个交通监测数据集上进行广泛测试，我们展示了我们增强策略在提高模型性能方面的功效，特别是在具有有限标记样本和类别分布不平衡情况下的场景。值得注意的是，我们的方法仅利用原始数据的 8.5％，就能达到与在整个数据集上训练的模型相当的性能。此外，在 FishEye8K 数据集上，我们报告了显著的改进，[email protected] 从 0.4798 提高到 0.5025，[email protected]:.95 从 0.29 提高到 0.3138。这些结果突显了我们增强方法在提升交通监测应用的目标检测模型方面的潜力。

Apr, 2024

本文研究了 LiDAR 技术的数据增强技术，探讨了全局和局部增强技术的不同使用方式，通过在 KITTI 数据集上的实验表明了两种数据增强技术都有可能促进 3D 目标检测方法的性能，但个别增强技术例如物体平移对全局性能有负面影响，作者认为这些结论同样适用于其他最前沿的 3D 目标检测方法，并在 STF 数据集上验证了实验结果，最大提升了 1.7% 的 3D mAP。

Apr, 2020

提供了一个相互正交的在线数据增强方案，同时介绍了三个新的数据增强网络和针对目标学习任务的联合训练。该方案具有更高的效率、更高的适应性和更少的领域知识要求。与当前现有的离线增强方法相比，在与这些方法相结合的情况下，该方案取得了改进，并单独表现与最先进的方法相媲美。

Jul, 2020