Jun, 2020

使用在线双层优化学习图像分类数据增强

PDF
TL;DR本研究提出了一种用双层优化训练网络的方法，以自动学习有效的数据增强转换的分布，从而提高其泛化性能并与分类器等模型联合训练，实现数据增强的最优化，相较于手工优化方式，本方法在图像分类准确性上表现更好同时无需昂贵的数据增强超参数外部验证循环。
发现论文，激发创造
  • 基于双层优化的组织病理学图像自动数据增强学习

    通过自动数据增强学习方法，我们提出了一个神经网络模型训练的解决方案，可以自动学习改善模型训练所需的颜色和几何变换参数，特别适用于组织病理学图像的分类任务。

    Jul, 2023

  • OnlineAugment：基于较少领域知识的在线数据增强

    提供了一个相互正交的在线数据增强方案，同时介绍了三个新的数据增强网络和针对目标学习任务的联合训练。该方案具有更高的效率、更高的适应性和更少的领域知识要求。与当前现有的离线增强方法相比，在与这些方法相结合的情况下，该方案取得了改进，并单独表现与最先进的方法相媲美。

    Jul, 2020

  • SLACK: 带有冷启动和 KL 正则化的数据增强稳定学习

    本研究提出了一种无需先前知识直接学习数据扩增策略的方法，并使用 Kullback-Leibler regularization 和连续分布参数化解决了双层优化问题和搜索空间更大的问题，最终在标准基准测试上取得了有竞争力的结果。

    Jun, 2023

  • 具有可扩展在线双层优化的自适应训练分布

    在现代机器学习中，基于网络规模的大型神经网络学习成为核心。本研究考虑在一个与应用领域不匹配的混杂预训练数据集的情况下，通过调整预训练分布的算法来适应目标测试条件。通过在线双层优化问题的一种近期表述，提出了一种算法，并考虑了可扩展性，该算法优先计算在训练点上的梯度，这些点最有可能改善目标分布上的损失。从经验证实，在某些情况下，这种方法比现有的领域适应性策略更加有益，但在其他情况下可能不成功。我们提出了一个简单的测试来评估我们的方法何时表现良好，并指出进一步的研究来解决当前的限制。

    Nov, 2023

  • 在线超参数学习用于自动增强策略

    本文介绍了使用 Online Hyper-parameter Learning for Auto-Augmentation 解决基于离线搜索增广策略所存在的高昂成本问题。在 CIFAR-10 和 ImageNet 数据集上，我们的方法取得了显著的准确率提高，并且速度分别比现有方法快了 60 倍和 24 倍，同时保持了有竞争力的准确性。

    May, 2019

  • 贝叶斯数据增强方法用于深度模型学习

    提出了一种基于贝叶斯公式，利用广义蒙特卡洛期望最大化算法和生成对抗网络的方法，能更好地生成新的标注训练样本，并在 MNIST，CIFAR-10 和 CIFAR-100 的数据集中取得了优于现有数据增强方法和 GAN 模型的分类结果。

    Oct, 2017

  • 使用深度学习进行图像分类中数据增强的有效性

    本文研究数据增强在图像分类中的应用，对比了多种增强技术，包括传统的裁剪、旋转和翻转以及使用 GAN 生成不同风格的图像，并提出了一种名为神经增强的方法，通过训练神经网络自学习增强，以提升分类器性能，对该方法在不同数据集上表现的优劣进行了讨论。

    Dec, 2017

  • 具有可微扩增层的深不变网络

    本文探讨了从训练数据中学习不变性的新方法，该方法使用可学习的增强层直接构建在网络中，具有很高的可塑性、易于训练和快速的优点，可以应用于计算机视觉以外的广泛领域。实验证明，该方法不受模型表达能力的限制，与当前基于双层优化的现代自动数据增强技术相比表现出色。

    Feb, 2022

  • 自动化机器学习中的数据增强：方法与传统数据增强方法的性能比较

    该研究论文综述了基于自动机器学习（AutoML）原理的自动数据增强技术，讨论了利用 AutoML 实现数据增强的各种方法，包括数据操作、数据集成和数据合成技术，并对搜索空间设计、超参数优化和模型评估等数据增强子任务进行了广泛的讨论。最后，通过与传统增强方法基于经典方法的最新技术进行全面比较和分析，结果显示目前 AutoML 方法在数据增强方面的性能超过传统方法的最新技术。

    Mar, 2024

  • 学习为数据增强编写领域特定变换

    利用生成对抗算法学习序列模型来自动生成数据增强方法，有效提高图片和文本数据集的识别准确度。

    Sep, 2017