Deep AutoAugment 提供了一种全自动的数据增强搜索方法,通过高效的搜索方法可制定高效的数据增强策略,获得了强大的性能表现。
Mar, 2022
本文介绍了一种自动搜索图像数据增强策略,使用神经网络在目标数据集上产生最高准确性,并在 CIFAR-10,CIFAR-100,SVHN 和 ImageNet 数据集上实现了最先进的准确性,同时找到的增强策略可在不同数据集间转移学习。
May, 2018
本文提出了一种可微分的策略搜索方法,用于数据增强,该方法比之前的方法更快,使用的是离散参数变换的近似梯度和可分辨操作选择机制。我们的方法通过最小化增强数据与原始数据之间的分布距离来优化,比之前的工作实现了显著更快的搜索,而不会出现性能下降。
Nov, 2019
本文提出了一种更细致的自动数据增强方法,称为 Patch AutoAugment,它能够在局部区域内寻找最佳数据增强策略,并通过多智能体强化学习协作实现对整张图片的优化增强效果,实验结果表明,该方法在多个基准数据集上具有比其他最新数据增强方法更好的性能表现,且需要更少的计算资源。
Mar, 2021
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
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
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
通过使用对抗性方法,Adversarial AutoAugment 能够通过同时优化目标相关对象和数据增强策略搜索损失,以便更快且更有效率地完成深度神经网络的训练及图像分类任务,从而将计算成本减少 12 倍,时间开销减少 11 倍,达到了最佳的实验成果。
Dec, 2019
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。
通过自动化数据增强方法 AutoAugment, 本文实现了可用于自然语言处理任务的优化扰动操作,并且在对话生成等任务中取得了显著的性能提升。
Sep, 2019