CVPRFeb, 2020

关于特征标准化和数据增强

PDF
TL;DR本文提出了 Moment Exchange 方法，它是一种隐式数据增强方法，通过替换学习特征的矩和插值目标标签，强制模型从矩中提取训练信号来利用矩的信息，从而在多个识别基准数据集上提高高度竞争性基线网络的泛化能力。
moment exchangeimage recognitionimage generationlatent featuredata augmentation
发现论文，激发创造
  • 使用学习的矩方法学习隐式生成模型

    本论文提出了一种 Moment Estimation 的算法来训练规模大的 Implicit Generative Models，即 Method of Learned Moments (MoLM)。通过引入 Moment Network，以及使用渐近理论来确定 Moment Estimation 中需要优化的关键性质，MoLM 可以训练出高质量的神经图像生成模型。

    Jun, 2018

  • 位置归一化

    本文提出了一种基于通道归一化的激活值归一化方法，通过提取特征在图像位置的一阶和二阶矩来捕获输入图像和抽取特征的结构信息，并将归一化常数重新注入后续层以保留或转移结构信息在生成网络中。

    Jul, 2019

  • 学习变换以实现个体无关性的普适性

    基于数据的学习预测变换分布以及通过对样本对齐实现对不同类别的普遍不变性和适应不同姿态，从而提高计算机视觉中的准确性和鲁棒性。

    Sep, 2023

  • 快速风格化的缺失成分：实例标准化

    通过将批标准化替换为实例标准化来提高图像生成的质量，并同时适用于训练和测试时间，生成实时高性能架构的快速样式化方法。

    Jul, 2016

  • FeatMatch：基于特征的半监督学习增强

    本文提出了一种创新的特征提取和扩增方法，利用聚类提取的内部和跨类别原型代表信息，生成各式各样的复杂变换，结合传统图像扩增用于一致性正则化损失，实验验证结果表明在小尺寸数据集上与当前先进技术相当，且可以扩展到更大的数据集，例如 CIFAR-100 和 mini-Imagenet 上取得重大进展，并在 DomainNet 上实现更好的鲁棒性。

    Jul, 2020

  • 基于显著性图的数据增强

    本文介绍了一种使用显著图来限制神经网络对某些区域的不变性从而提高分类准确性的新方法。

    May, 2022

  • 数据集增强与实例级别的数据扩充

    本研究提出了一种使用预训练的潜在扩散模型来扩充数据集的方法，并引入了实例级数据增强的概念。该方法通过重新绘制场景内的个别对象来改善卓越的显著目标检测、语义分割和物体检测模型的性能和泛化能力，并在需要数据匿名化时，通过重新绘制隐私敏感实例来实现。

    Jun, 2024

  • 清晰时刻：借助矩池化简化机器学习的潜在空间

    许多机器学习应用涉及到学习数据的潜在表示，本研究提出了 “Moment Pooling” 方法，通过扩展 Deep Sets 网络中的求和操作为任意多元矩操作，显著降低了这些网络的潜在空间维度，同时保持甚至提高了性能，在胶子物理任务中证明了 Moment Pooling 的有效性，并且能够将内部表示直接可视化和解释。

    Mar, 2024

  • 对抗广义矩方法

    本文提供了一种学习深度神经网络表示条件矩限制模型的方法，该方法以模型和对手之间的零和博弈为核心思想，将深度神经网络用于非参数工具变量回归中。

    Mar, 2018

  • 使用广义归一化变换对图像进行密度建模

    本文介绍了一种参数非线性转换，适用于高斯化自然图像数据，该转换可应用于密度建模并用于无监督深度网络优化。

    Nov, 2015