基于照明的数据增强方法用于强健背景减除
本文提出了一种基于零样本目标检测的无监督背景减除算法(Zero-shot Background Subtraction,ZBS),用于从视频帧中提取移动物体。研究发现,ZBS 在阴影或夜光等复杂情境中表现出色,并且具有丰富的可扩展类别。
Mar, 2023
本文提出了一种方法,在不修改深度神经网络本身的结构下,通过半合成图像增加深度学习模型对于姿势和光照变化的适应能力,从而提升了现代人脸识别系统在具有挑战性的 IJB-A 数据集上的识别性能。
Apr, 2017
通过引入背景增强技术,加强自监督学习中对物体的语义关注, 系统调研发现其在多个自监督学习任务中均有大幅提升效果,并成为有监督学习的有力竞争者,并在无监督显著性检测方面取得进展。
Mar, 2021
通过模拟分布退化,探究数据增强对模型性能的提升作用,研究发现数据增强方法显著改善了模型的性能,但仍存在明显的泛化差距,强调训练集中的特征多样性对于增强模型泛化能力的关键作用。
Apr, 2024
本文提出了一种基于多分支卷积神经网络的新型端到端注意力引导方法,利用合成的低光模拟数据构建数据集,通过使用两个注意力图指导亮度增强和降噪任务,并进一步增强输出图像的色彩和对比度以实现对低光图像的高保真增强,该方法在多个数据集上表现优异,比当前最先进的方法有更好的定量和视觉效果。
Aug, 2019
图像协调的目标是调整复合图像中前景的外观,使整个图像协调一致。我们通过探索可学习的增强方法,丰富小规模数据集的光照多样性,以提升协调性能。实验表明,我们提出的可学习增强方法对图像协调具有有效性。
Aug, 2023
该论文研究了运动模糊在图像描述中的影响,通过在训练中增加数据,在目标检测和描述两个阶段中都加入数据增强技术,成功地改进了解决方案的鲁棒性,特别是在高度运动模糊的情况下使 CIDEr-D 降低到了 11.7。
Jun, 2021
本文从数据增强和弱监督学习的角度研究了变化检测的泛化问题,提出了一种基于背景混合数据增强和虚假标签的弱监督训练方法,并设计了一种增强数据一致性损失以显著提高模型的泛化能力。经过广泛的实验验证,在两个公共数据集中,该方法可以增强四种最先进的变化检测方法,证明了它的优势。
Nov, 2022