Mar, 2020

UniformAugment: 一种无需搜索的概率数据增强方法

HTML
PDF
TL;DR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。
发现论文，激发创造
  • AutoAugment: 从数据中学习增强策略

    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

  • 快速自动增强

    本文提出了一种名为Fast AutoAugment的算法，通过基于密度匹配的更高效的搜索策略找到有效的数据扩充策略，相比于AutoAugment，该算法在各种模型和数据集上加速了搜索时间，并实现了可比较的图像识别性能。

    May, 2019

  • RandAugment：简化搜索空间的实用自动化数据增强

    本研究提出了一种名为RandAugment的自动数据增强技术，可解决现有方法可能面临的训练复杂度和调整正则化强度的问题，并能显著提高神经网络模型的准确性和鲁棒性。

    Sep, 2019

  • 使用反向传播学习增强策略的更快自动增强

    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

  • AutoDO: 基于可扩展概率隐式微分的鲁棒性标准化数据自适应增强方法

    AutoDO可用于深度学习模型的自动数据扩充，通过对损失权重、软标签等超参数进行联合估计来最小化测试数据和失真的训练数据之间的分布偏移，实现了偏差数据和标签噪音下的机器学习模型优化，相较于之前的方法，有着多达9.3%的准确度提升，并且在SVHN分类优化上达到了36.6%的增益。

    Mar, 2021

  • TrivialAugment：无需调参却能实现最先进的数据增强

    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

  • RangeAugment：利用范围学习的高效在线数据增强

    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

  • RandMSAugment：用于有限数据场景的混合采样增强

    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

  • KeepOriginalAugment: 基于单图像的改进信息保留数据增强方法

    引入了一种名为KeepOriginalAugment的新型数据增强方法，可以使模型利用突出区域和非突出区域的多样性，在各项实验评估中显示出比现有技术更优越的性能。

    May, 2024

  • 自由增强：跨所有自由度的数据增强搜索

    本研究解决了现有数据增强方法在优化所有自由度（转换数量、类型、顺序和幅度）方面的不足。我们提出的FreeAugment方法首次实现了这四个自由度的全球优化，并通过完全可微的方法高效学习转换组合和概率分布，从而显著提高了性能，并在多个自然图像基准测试上达到了最先进的结果。

    Sep, 2024