Nov, 2020

KeepAugment：一个简单的信息保留数据增强方法

PDF
TL;DR本文提出了一种基于显著性图的数据增强方法 KeepAugment，通过保留图像中的重要区域进行增强，从而提高了深度学习系统的性能，在图像分类、半监督图像分类、多视角多摄像头跟踪和目标检测等领域获得了显著的结果。
data augmentationdeep learningkeepaugmentsaliency mapimage classification
发现论文，激发创造
  • 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

  • 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

  • AdaAugment：一种无需调优的自适应数据增强方法

    AdaAugment 是一种无需调参的创新自适应增强方法，利用强化学习根据目标网络的实时反馈动态调整个别训练样本的增强程度，通过优化策略网络和目标网络的联合来有效适应增强程度，从而在效果和效率上一致性地优于其他最先进的数据增强方法。

    May, 2024

  • 在医学图像分割中结合数据增强和保留前景区域

    本文提出了两种数据增强方法：KeepMask 和 KeepMix，用于医学图像分割的深度学习，可以更好地识别器官边界，实现更高精度的分割，并在 CHAOS 数据集和 MSD 脾数据集上分别比基线方法提高了 3.04％和 5.25％的 Dice 系数。

    Apr, 2023

  • 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

  • 将监督领域泛化融入数据增强

    通过将数据增强作为监督领域泛化问题，并利用对比语义对齐损失方法，提高数据增强的鲁棒性和训练效率。实验证明，该方法改善了典型数据增强的鲁棒性和训练效率。

    Oct, 2023

  • 数据增强再探讨：重新审视干净数据和扩充数据之间的分布差距

    利用数据增强作为正则化方式，我们从解析角度重新考虑了数据增强在深度神经网络中的泛化问题，并发现它显著降低了模型泛化误差，但同时也导致略微增加了经验风险。使用较少的数据对完整增强的数据进行训练能够帮助模型更好地收敛于更好的区域，从而进一步提高准确性。

    Sep, 2019

  • 数据增强是否导致正边界？

    本文通过量化数据增广在经验风险最小化中所起的作用，分析了其对模型的鲁棒性的提升能力，并在对某些模型进行实验后，对数据增广的有效性作出了一定程度的解释。

    May, 2019

  • UniformAugment: 一种无需搜索的概率数据增强方法

    本文研究数据扩增的方法及其在计算机视觉任务中的效果，提出了 UniformAugment，一种无需搜索阶段即可实现自动数据扩增的方法， 并通过标准的数据集和经典模型证明其有效性和高效性。

    Mar, 2020

  • 针对少样本无监督图像异常检测，什么是好的数据增强方法？

    数据增强是工业应用中无监督异常检测的一种有前途的技术，本文通过实验系统研究了如何选择和应用数据增强方法来提高工业图像异常检测算法的性能，并发现不同数据增强方法对不同的算法并没有显著影响。这些发现为选择适当的数据增强方法提供了有用的指导。

    Apr, 2023