CVPRDec, 2020

简单的复制粘贴是一种强大的实例分割数据增强方法

PDF
TL;DR本论文针对计算机视觉中重要的挑战之一 —— 构建数据有效且能处理罕见对象类别的实例分割模型，研究了一种使用数据增强方法的 Copy-Paste 方法，并发现简单的随机粘贴对象机制足以提供良好的性能，并且能够与半监督学习方法相结合获得更好的结果。在 COCO 实例分割任务和 LVIS 评测中，该方法均获得了优异的表现。
instance segmentationdata-efficientrare object categoriescopy-paste augmentationsemi-supervised methods
发现论文，激发创造
  • 基于任务的复制粘贴数据增强方法用于实例分割 - ICCV 2021 VIPriors 研讨会实例分割挑战赛技术报告

    通过使用特定于任务的 Copy-Paste 数据增广方法以及其他数据增广技术和多尺度训练，我们在 VIPriors 挑战的实例分割任务上取得了良好的性能。

    Oct, 2021

  • 通过剪切和粘贴学习分割

    本文提出了一种基于弱监督学习框架的对象实例分割方法，使用对抗训练的方法学习对象掩模，利用剪切 - 粘贴的游戏过程，通过掩模生成器和区分器的协同作用来实现分割掩模的优化，实验结果表明，该方法在不需要手工标注分割建议的情况下，可以超越现有的弱监督分割方法，并获得了 90% 的监督分割性能。

    Mar, 2018

  • CutPaste: 无监督学习用于异常检测和定位

    该研究旨在构建一个高性能的缺陷检测模型，能够在未有异常数据的情况下检测图像中未知的异常模式。作者提出了一个两阶段框架，使用仅有的正常数据来进行异常检测，第一阶段学习自监督的深度表示，第二阶段建立基于学习表示的生成单类分类器。该方法在 MVTec 异常检测数据集上表现良好，并在学习表示时相较于现有技术提升了 3.1 AUC。作者还通过迁移学习，在 ImageNet 预训练模型基础上实现了 96.6 AUC 的最优表现，并扩展了该框架以从补丁学习和提取表示，无需训练期间标注即可定位损坏区域。

    Apr, 2021

  • 评估切割粘贴数据增强在遥感图像语义分割中的有效性

    卫星影像重要用于环境监测和城市规划，本研究探索了一个适用于语义分割的剪切粘贴增强技术，通过利用语义分割标签中的联通组件，从而在训练过程中随机粘贴提取的实例，实验结果表明，这种增强技术显著提升了语义分割模型的平均交并比得分，从 37.9 提升至 44.1，彰显了其在卫星影像中提高模型泛化能力的潜力。

    Apr, 2024

  • 通过渐进式、选择性实例切换进行目标检测的数据增强

    该论文提出了一种新的对象检测数据增强方法，通过实例切换和类别平衡的策略，无需收集和注释大量数据集，并结合先进的检测器方法，在 MS COCO 基准测试中获得了比其他方法更好的性能。

    Jun, 2019

  • 通过概率图引导的复制粘贴增强实例分割

    提出了一种利用现有实例蒙版注释来增强训练集的简单、高效、有效的方法，通过引入随机抖动来改善 Mask R-CNN 的性能，并提出了一种基于位置概率图的方法来探索可以根据局部外观相似性放置对象的可行位置，其对实例分割的性能提高了 2.2mAP (COCO 数据集) 和 2.2mAP (Pascal VOC 数据集)。

    Aug, 2019

  • 精确剪切粘贴：一种内容和角度感知的道路损伤检测数据增强方法

    我们提出了一种改进的 “剪切 - 粘贴” 增强技术，既考虑了图像中道路的真实位置，又考虑了注入损伤和目标图像之间的透视差异。

    Jun, 2024

  • 通过位置感知的复制粘贴数据增强实现遮挡下的实例分割

    采用鲁棒的数据增强技术和深度学习架构，通过提出一种新的数据增强技术、采用混合任务级联（HTC）框架和 CBNetV2 作为骨干架构以及引入 Stochastic Weight Averaging（SWA）训练策略，该论文在篮球场景中分割人体主体方面取得了显著的遮挡得分（OM）。

    Oct, 2023

  • ObjectMix：在视频中通过复制黏贴对象进行数据增强，以进行动作识别

    本文提出了一种使用实例分割进行数据增强的动作识别方法 ObjectMix，并通过 UCF101 和 HMDB51 数据集验证了其优于之前方法 VideoMix 的有效性。

    Apr, 2022

  • 小目标检测的增强

    对于小目标和大目标的检测仍然存在着性能差距。为了解决这个问题，本文提出了一种通过过采样和复制粘贴小目标的数据增强方法来提高模型在小目标上的表现，实验结果表明相对于现有的先进方法，我们的方法在 MS COCO 数据集上将实例分割精度提高 9.7% ，目标检测精度提高了 7.1%。

    Feb, 2019