Attentive CutMix:基于深度学习的图像分类增强数据增强方法
该论文提出了一种名为 CutMix 的数据增强策略,该策略结合了区域 dropout 策略和图像贴图技巧,其旨在提高卷积神经网络的分类性能,改善对象定位和提高网络的鲁棒性。实验结果显示,CutMix 方法在 ImageNet 数据集上的分类任务中能够持续地超越当前领先的数据增强方法,同时还能提高由其预训练的分类器在 Pascal 检测和 MSCOCO 图像字幕生成等任务中的表现。
May, 2019
该研究提出了一种名为 SaliencyMix 的新型数据增强方法,能够有效地提高深度学习模型的泛化能力,使得该模型在图像分类上取得了最佳效果。
Jun, 2020
本文提出了一种名为 TokenMix 的数据增强技术,它在令牌级别上混合两个图像,通过将混合区域分区成多个独立的部分来实现,其适用于更好地训练视觉变换器,同时根据预训练的 teacher 模型的内容基础神经激活映射分配目标分数,增强了其稳健性和性能。
Jul, 2022
通过研究发现,基于图像显著性信息的数据混合并不一定对增强性能有太大帮助,采用更有效、更易于实现的 ResizeMix 方法进行数据混合比 CutMix 和基于显著性信息的方法更具优势。
Dec, 2020
深度学习在计算机视觉中取得了重大突破,特别是在图像分类任务中。通过代替高度激活的特征,我们提出了一种名为 Catch-up Mix 的新方法,旨在解决模型对特定滤波器的过度依赖问题,在各种视觉分类数据集上表现出卓越的鲁棒性。
Jan, 2024
在本文中,我们提出了一种名为选择性体积混合(SV-Mix)的视频增强策略,以改善在训练样本有限的情况下深度模型的泛化能力,在各种视频动作识别基准上提升了基于 CNN 和 Transformer 模型的性能。
Sep, 2023
本文提供对数据增强技术中图片混合和删除方法的全面调查和分类,包含其强项、局限性、基本原理和应用, 并讨论其面临的挑战和未来研究方向,申明提供数据集和代码供评估。
Jun, 2021
本研究采用简单的正则化方法 -- 随机掩盖输入的正方形区域,称之为 cutout,来提高卷积神经网络的鲁棒性和性能,同时也能和现有数据增强和其他正则化方法结合使用,并且通过在 CIFAR-10、CIFAR-100 和 SVHN 数据集上应用此方法,实现 2.56%、15.20%和 1.30%的新测试错误率,取得了最新的最佳结果。
Aug, 2017
本文提出了一种监督式混合增强方法 SuperMix,使用牛顿迭代方法来提高效率,在对象分类和知识蒸馏任务中通过广泛的评估和消融研究验证了其有效性,将混合图像纳入蒸馏目标可显著提高结果。
Mar, 2020
本研究提出了一种名为 PointCutMix 的简单有效的点云数据增强方法,通过优化两个点云之间的最优分配并将一个样本中的点替换为其最优分配对来生成新的训练数据,以提高各种模型在点云分类问题上的性能和模型的鲁棒性。
Jan, 2021