元学习的数据增强
本文提出了一种名为SamplePairing的数据增强技术，通过随机选择训练数据中的另一幅图像，来合成一张新的图像样本。实验表明，该技术在图像分类任务中能够显著提高分类精度，并且在训练样本数较少的任务中，表现更为突出。
Jan, 2018
本文介绍了一种名为AAL的方法，通过数据增强和重复使用支持集来生成无需任何标签的无监督少样本元学习任务，以提高泛化能力，从而实现对小规模真实标注数据的有效训练。
Feb, 2019
提出了一个名为Meta-Dataset的大规模基准数据集，用于训练和评估模型在少样本分类问题上的性能，并探讨模型对不同训练来源的泛化能力和元学习的好处。
Mar, 2019
本研究提出，以meta-training data为基础，先学习一个监督或自我监督的表征，再在表征上训练线性分类器，可以优于现有的few-shot learning方法。自教学技术可以进一步改善。这表明好的学习嵌入模型比复杂的元学习算法更有效。
Mar, 2020
本文提出了一种优化图像识别模型和数据增强策略的方法，使用梯度下降同时优化两者，通过使用Neumann级数逼近来近似策略梯度，以实现高效可扩展的训练，以提高各种图像分类任务的性能。
Jun, 2020
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
本研究提出了MetaDelta——一个用于少样本图像分类的实用元学习系统，包括多个元学习器和一个元组合模块，能够有效提高时间和资源利用效率，同时对未知数据集具有更好的泛化能力。MetaDelta在AAAI 2021 MetaDL挑战赛中获得第一名，代码公开可用。
Feb, 2021
本文介绍了深度学习算法在计算机视觉任务中的性能表现，以及数据增强技术对应对过拟合问题的应用。在这篇文章中，我们提供了数据增强技术的背景知识和综述，通过对现有的数据增强技术进行分类和比较，从而指导研究者选择适合自己的方法。我们还研究了数据增强技术的综合效果，得出结论可以显著提升图像分类、目标检测和语义分割的性能，我们提供了代码用于结果复现，并探讨了该领域未来的研究方向与挑战。
Jan, 2023