本文提出一种新的数据增强算法 ——Population Based Augmentation (PBA)—— 来生成非静态的增强策略日程表，相比于目前最先进的方法 AutoAugment，PBA 在 CIFAR-10、CIFAR-100 和 SVHN 数据集上耗费的总计算资源少三个数量级，但性能相当。在 CIFAR-10 数据集上，我们实现了 1.46% 的平均测试误差，稍微优于当前的最先进水平。

May, 2019

本文提出了基于局部的数据增强方法，即 PA-AUG，可以更好地利用 3D 标签的丰富信息来增强 3D 物体探测器的性能。该方法可用于所有类型的 KITTI 数据集，具有等效的增加训练数据 2.5 倍的效果，并且对损坏的数据也具有鲁棒性。

Jul, 2020

本文研究了 LiDAR 技术的数据增强技术，探讨了全局和局部增强技术的不同使用方式，通过在 KITTI 数据集上的实验表明了两种数据增强技术都有可能促进 3D 目标检测方法的性能，但个别增强技术例如物体平移对全局性能有负面影响，作者认为这些结论同样适用于其他最前沿的 3D 目标检测方法，并在 STF 数据集上验证了实验结果，最大提升了 1.7% 的 3D mAP。

Apr, 2020

本文介绍了一种基于数据增强的方法，通过多次利用已有数据，使用现实世界中的数据模拟给点云数据进行物体检测和语义分割训练。此方法在 KITTI 物体检测和 SemanticKITTI 语义分割挑战赛中取得了显著的性能提升。

Jun, 2022

研究了数据扩充在提高自动驾驶中三维目标检测中的应用，提出了一种新的方法，该方法可以更加灵活地构建整体物体、自由定位和旋转物体，并相应地应用自遮挡和外部遮挡，通过隐藏点拆除算法实现自遮挡和外部遮挡，最终说明该算法可显著提高 mAP 性能。

Mar, 2023

使用 Biharmonic augmentation 方法对点云数据进行数据增强，通过平滑的非刚性变形来改变 3D 结构，使用 Advtune 系统和对抗训练来自动创建适应性形态变形，实验证明 Biharmonic Augmentation 在多种网络设计上相比现有的点云增强技术有显著的性能提升。

Nov, 2023

本研究探讨了 3D 点云的测试时间数据增强方法，并使用隐式表示和点云上采样技术作为系统化方法，通过从重构结果中采样点并将其用作测试时间增强数据来改进准确性。此方法对于稀疏点云的目标分类和分割等下游任务在 ModelNet40、ShapeNet、ScanObjectNN 和 SemanticKITTI 数据集上表现出更为显著的性能提升。

Nov, 2023

本研究提出 Differentiable Automatic Data Augmentation (DADA) 算法，使用 Gumbel-Softmax 方法实现对离散的数据增强方法的选择，引入 RELAX 无偏梯度估计方法，提高了数据增强策略的学习效率。在 CIFAR-10、CIFAR-100、SVHN 和 ImageNet 数据集上的实验证明了该算法在达到同等精度的情况下，比现有最先进算法至少快一个数量级。同时，研究还证明了自动数据增强在预训练方面的价值。

Mar, 2020

为了提高具有有限标记样本的交通监测任务中模型的性能，我们提出了一种面向静态摄像头应用的对象检测数据集的简单增强技术，通过将对象放置在与原始对象相同的位置上来确保其有效性，并通过对同一摄像机输入图像中的对象进行就地增强，解决了与原始和先前选择的对象重叠的挑战。通过在两个交通监测数据集上进行广泛测试，我们展示了我们增强策略在提高模型性能方面的功效，特别是在具有有限标记样本和类别分布不平衡情况下的场景。值得注意的是，我们的方法仅利用原始数据的 8.5％，就能达到与在整个数据集上训练的模型相当的性能。此外，在 FishEye8K 数据集上，我们报告了显著的改进，[email protected] 从 0.4798 提高到 0.5025，[email protected]:.95 从 0.29 提高到 0.3138。这些结果突显了我们增强方法在提升交通监测应用的目标检测模型方面的潜力。

Apr, 2024

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