提出对抗数据增强方法来优化神经网络模型的训练,通过生成难度较高的增强操作来让网络进行学习,实现训练的同时进行数据增强,对人体姿势估计问题进行实验测试,证明该方法能够显著提高模型性能而不需要额外的数据增强。
May, 2018
本文提出了一种基于深度学习的人体姿势估计方法,采用生成对抗网络作为学习模式,在两个相同结构的堆叠沙漏网络中设定生成器和判别器,生成器用作人体姿势估计,判别器将真实热力图与生成的热力图区分,通过对抗损失反向传播至生成器,使生成器学习合理的人体各部分构造,提高预测准确性。
Jul, 2017
提出一种基于深度神经网络学习的语义数据增强方法 (ISDA), 通过此方法可以提高卷积神经网络在图像分类任务上的泛化性能.
Jul, 2020
本论文提出了一种对抗性学习框架,利用基于多源鉴别器的几何描述符对在野外场景下的 2D 姿态注释图像进行 3D 人体姿态估计。实验证明,该方法在公共基准测试上明显优于以往的最先进方法。
Mar, 2018
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
提出了一种名为 Bayesian Random Semantic Data Augmentation 的新型、高效且即插即用的语义数据增强方法(BRSDA),通过在特征空间中沿特定方向进行简单的平移,实现语义转换,并结合其他主流的数据增强方法,取得了优越的性能。
Mar, 2024
本文旨在解决目前姿态估计算法对于数据噪声的不稳健性问题,提出了一种可以在广泛的姿态估计模型中提高鲁棒性的新算法 ——AdvMix,该算法包含对抗样本生成和知识蒸馏两部分,并经过大量数据实验验证其可显著提高姿态估计的鲁棒性。
May, 2021
该论文提出了一种新颖的隐式语义数据增强(ISDA)方法,通过在线估计每个类别的深度特征协方差矩阵并在特征空间中沿着许多语义方向平移训练样本来有效增强数据集以提高泛化性能,并提出了一个新颖的鲁棒 CE 损失函数,实现了在多个数据集上对 ResNets 和 DenseNets 等流行的深度模型的一致性提高的效果。
本文提出了一种新类的对抗样本 ——“语义对抗样本”,即通过对图像进行任意扰动来欺骗模型,但修改后的图像在语义上代表的仍是原始图像,通过构建约束优化问题和基于人类认知系统的形状偏置特性的对抗变换,生成对抗图像的颜色转移极大影响了 Deep neural networks 模型精度。
基于深度学习模型的图像到统计形状模型 (Image-to-SSM) 的在线数据增强框架通过引入数据相关噪声生成或纹理增强,提供了改进的准确性,使模型能够关注底层几何形状而不仅仅依赖像素值。
Jul, 2023