Jun, 2020

SaliencyMix：一种基于显著性引导的数据增强策略，用于更好的正则化

PDF
TL;DR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。
发现论文，激发创造
  • CutMix: 用可定位特征的正则化策略训练强分类器

    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

  • 引导 Mixup：由显著图引导的高效 Mixup 策略

    提出了一种新的基于 saliency-aware 的 mixup 方法 ——GuidedMixup，通过一种高效的配对算法来最小化配对图像的显著区域间的冲突，平滑地插值两幅图像以更好地保留显著区域，并且可以在分类数据集上提供良好的计算效率与泛化性能之间的平衡。

    Jun, 2023

  • 显著性移植：基于无害归因引导的混合及标签混合校准技术

    本文提出了一种新的混合方案，通过随机选择图像特征和标签之间的混合关系，生成多样化的样本，并使用最大显著性策略来校正随机采样引入的标签偏差，从而有效地提高了分类准确性。

    Dec, 2021

  • ResizeMix：混合数据以保留对象信息和真实标签

    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

  • Attentive CutMix：基于深度学习的图像分类增强数据增强方法

    本文提出了一种基于 Attentive CutMix 的图像分类数据增强策略，在训练过程中利用中间层的注意力图寻找最具有辨别度的图像区域，能够显著提高基于卷积神经网络的图像分类性能。

    Mar, 2020

  • 拼图混合：利用显著性和本地统计信息实现最佳混合

    本研究提出了一种名为 Puzzle Mix 的混合方法，该方法使用卫星信息和自然例子的基本统计信息，以提高神经网络的性能和抗扰攻击能力。实验结果表明，Puzzle Mix 与其他混合方法相比，在 CIFAR-100、Tiny-ImageNet 和 ImageNet 数据集上均取得了最佳的泛化和对抗性鲁棒性结果。

    Sep, 2020

  • 基于显著性引导的快速混合方法：随机梯度阈值化

    本文提出了一种新的方法叫做 R-Mix，它将随机性和显著性利用的最佳元素相结合，达到了速度、简单性和准确性的平衡，同时训练了一个基于分类器性能的混合策略决策代理，减少了对人类设计目标和超参数调整的依赖，并表现出优越的泛化、弱监督目标定位、校准和对抗性攻击鲁棒性，进一步证明了代理能够在实现自动混合方面发挥的最先进的水平。

    Dec, 2022

  • 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

  • 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

  • SuperMix：混合数据增强的监督

    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