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
本文提出了一种以样本为基础的数据增强策略,采用元学习解决数据增强效果与样本间变异之间的平衡问题,并在 CIFAR-10/100、Omniglot、ImageNet 等数据集上通过实验证明了其优越性能。
Dec, 2020
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
提出了深度强化学习框架 Adversarial Policy Gradient Augmentation (APGA),利用语义分割进行图像增强,实验表明该方法在医学图像分类任务中有较好的表现。
Sep, 2019
通过使用对抗性方法,Adversarial AutoAugment 能够通过同时优化目标相关对象和数据增强策略搜索损失,以便更快且更有效率地完成深度神经网络的训练及图像分类任务,从而将计算成本减少 12 倍,时间开销减少 11 倍,达到了最佳的实验成果。
Dec, 2019
本文提出了一种联合优化模型,实现了数据增强策略和神经网络架构的端到端优化,以实现自动化神经网络训练。实验结果显示,本方法的性能优于独立搜索的结果。
使用可解释的度量方法,结合遗传编程技术,预测适用于特定 sim-to-real 场景的数据增强策略,并在无需训练模型的情况下为特定数据集设计数据增强策略。
Mar, 2024
本文调研了基于深度学习的图像增强方法,并将其分为三类:无模型、有模型和优化策略。同时,讨论了常见应用的趋势以及使用组和核理论以及无监督学习实现的图像增强方法。
May, 2022
本研究研究了数据增强对目标检测的影响和作用,探究了深度学习模型训练中利用学习的特殊数据增强策略来优化模型的表现,并在 COCO 数据集上证明了其有效性,最终提高了 50.7 mAP 的检测精度。
Jun, 2019
本文通过比较三种方法,探究如何寻找适当的数据增强方式,并结合两个新的正则化项,以理论上的方式为某些 actor-critic 算法的数据增广提供支持,最终在 Procgen 基准测试上展示了在相对于标准 RL 算法提高了~40% 的测试性能。我们的代理优于其他针对 RL 中泛化改进的基线。此外,我们还展示了我们的代理学习出更能适应环境变化的策略和表示,包括不保留背景信息的变化。
Jun, 2020