RandAugment：简化搜索空间的实用自动化数据增强
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
本研究研究了数据增强对目标检测的影响和作用，探究了深度学习模型训练中利用学习的特殊数据增强策略来优化模型的表现，并在COCO数据集上证明了其有效性，最终提高了50.7 mAP的检测精度。
Jun, 2019
本文提出了一种可微分的策略搜索方法，用于数据增强，该方法比之前的方法更快，使用的是离散参数变换的近似梯度和可分辨操作选择机制。我们的方法通过最小化增强数据与原始数据之间的分布距离来优化，比之前的工作实现了显著更快的搜索，而不会出现性能下降。
Nov, 2019
本文研究数据扩增的方法及其在计算机视觉任务中的效果，提出了UniformAugment，一种无需搜索阶段即可实现自动数据扩增的方法， 并通过标准的数据集和经典模型证明其有效性和高效性。
Mar, 2020
本文提出了一种基于显著性图的数据增强方法KeepAugment，通过保留图像中的重要区域进行增强，从而提高了深度学习系统的性能，在图像分类、半监督图像分类、多视角多摄像头跟踪和目标检测等领域获得了显著的结果。
Nov, 2020
本文提出了一种以样本为基础的数据增强策略，采用元学习解决数据增强效果与样本间变异之间的平衡问题，并在CIFAR-10/100、Omniglot、ImageNet等数据集上通过实验证明了其优越性能。
Dec, 2020
该研究提出了一种无需参数的基准自动增强方法TrivialAugment，只对每个图像应用单一的增强，并通过实验比较和分析其表现及其对于算法表现的重要需求，同时提出最佳实践以供参考。
Mar, 2021
该论文介绍了 RangeAugment 自动图像增广方法，使用辅助损失控制增广操作的幅度范围，通过简单的线性搜索优化模型，可以显著提高模型性能并减少增广操作次数。
Dec, 2022
提出一种称为Tied-Augment的通用框架，通过为损失添加一个简单的项来控制失真下表示的相似性，以提高数据增强在广泛应用中的效能，从而改善半监督学习，优化和数据增强方法的表现。
May, 2023
数据增强是一种有效训练深度卷积神经网络以限制数据的方法，本研究探讨了基础增强技术、如混合样本数据增强和无参数的RandAugment变体Preset-RandAugment，在完全监督的情境下证明了Preset-RandAugment在有限数据情况下的出色表现，通过引入一种名为RandMSAugment的新型数据增强技术，有效结合了现有方法的优势，在CIFAR-100、STL-10和Tiny-Imagenet数据集上取得了显著的性能提升，无需超参数调整和繁琐的优化过程。
Nov, 2023