Sep, 2019

深度网络的隐式语义数据增强

PDF
TL;DR该论文提出了一种新颖的隐式语义数据增强（ISDA）方法，通过在线估计每个类别的深度特征协方差矩阵并在特征空间中沿着许多语义方向平移训练样本来有效增强数据集以提高泛化性能，并提出了一个新颖的鲁棒 CE 损失函数，实现了在多个数据集上对 ResNets 和 DenseNets 等流行的深度模型的一致性提高的效果。
implicit semantic data augmentationdeep feature spacecovariance matrixrobust ce lossgeneralization performance
发现论文，激发创造
  • 语义数据增强正则化深度网络

    提出一种基于深度神经网络学习的语义数据增强方法 (ISDA), 通过此方法可以提高卷积神经网络在图像分类任务上的泛化性能.

    Jul, 2020

  • MetaSAug: 面向长尾视觉识别的元语义增强

    本文提出一种基于 ISDA 算法的新方法，通过元学习自动学习转换的语义方向来扩充极少数的分类数据样本，以达到解决单纯平衡训练集情况下典型有监督学习算法表现下降问题的目的，并在 CIFAR-LT-10 / 100、ImageNet-LT 和 iNaturalist 2017/2018 数据集上进行实验验证。

    Mar, 2021

  • 深度神经网络的隐式反事实数据增强

    本文提供了一种名为 ICDA 的隐式反事实数据增强方法，通过生成具有不同扩展强度的深度特征来打破假象的关联，并从正则化方面解释了这种方法，结果表明我们的方法在许多需要越区域概括的典型学习场景上始终提高了流行深度网络的泛化性能。

    Apr, 2023

  • 基于贝叶斯的随机语义数据增强在医学图像分类中的应用

    提出了一种名为 Bayesian Random Semantic Data Augmentation 的新型、高效且即插即用的语义数据增强方法（BRSDA），通过在特征空间中沿特定方向进行简单的平移，实现语义转换，并结合其他主流的数据增强方法，取得了优越的性能。

    Mar, 2024

  • DASA：面向说话人验证的难度感知语义增强

    通过围绕发音人嵌入空间中的语义方向对训练样本进行扰动，使用鲁棒性发音人嵌入来估计准确的协方差矩阵，并推导出了预期损失的闭式上界，该研究提出了一种新颖的难度感知的语义扩增方法，能够在几乎没有额外计算成本的情况下产生多样化的训练样本，取得了令人瞩目的性能改进。

    Oct, 2023

  • 对抗性语义数据增强用于人体姿态估计

    提出了基于语义数据增强和对抗学习的人体姿势估计方法，在应对外观对称性、严重遮挡和近距离干扰等多种挑战性情况下，取得了最先进的结果。

    Aug, 2020

  • 文本到图像合成的语义感知数据增强

    通过语义感知数据增强 (SADA) 框架来提升文本到图像合成 (T2Isyn) 模型中的文本 - 图像一致性并改善图像质量。该框架通过隐式文本语义保持增强 (ITA) 在语义空间中扩充文本，并结合特定设计的图像语义正则化损失 (Lr) 作为生成图像的语义保持，以解决语义不匹配和坍塌问题。大量实验证实了 SADA 在各种模型中提升了文本 - 图像一致性和图像质量，特别是在 Stable Diffusion 模型调整过程中的改进效果。

    Dec, 2023

  • 将监督领域泛化融入数据增强

    通过将数据增强作为监督领域泛化问题，并利用对比语义对齐损失方法，提高数据增强的鲁棒性和训练效率。实验证明，该方法改善了典型数据增强的鲁棒性和训练效率。

    Oct, 2023

  • 低样本图像生成的自适应特征插值

    本文提出了一种新的潜在数据增强方法，利用无监督的学习方式在低数据量的情况下，针对生成模型中容易发散的问题进行了优化，实现了有效而稳定的训练，并生成了高质量的样本。实验结果显示，该方法在少样例学习生成任务中取得了很好的效果。

    Dec, 2021

  • SF (DA)$^2$: 无源领域适应的数据增强视角

    通过数据增强技术，我们提出了一种名为 SF (DA)^2 的新方法，它克服了先前能提出的源无关域适应方法在类保持变换和内存、计算需求等方面的挑战，并在 SFDA 场景中展现了卓越的适应性能。

    Mar, 2024