MetaAugment: 样本感知数据增强策略学习
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
本研究提出了一种名为RandAugment的自动数据增强技术，可解决现有方法可能面临的训练复杂度和调整正则化强度的问题，并能显著提高神经网络模型的准确性和鲁棒性。
Sep, 2019
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
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
本研究针对图像分类器的训练方法进行了探讨，通过元学习算法对支持数据、查询数据和任务进行复杂的抽样，利用数据增强方法不仅可增加每个类别的图片数量，还可生成全新的类别和任务，提高了元学习器在少样本分类基准上的性能。
Oct, 2020
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。
Nov, 2020
数据增强是一种有效训练深度卷积神经网络以限制数据的方法，本研究探讨了基础增强技术、如混合样本数据增强和无参数的RandAugment变体Preset-RandAugment，在完全监督的情境下证明了Preset-RandAugment在有限数据情况下的出色表现，通过引入一种名为RandMSAugment的新型数据增强技术，有效结合了现有方法的优势，在CIFAR-100、STL-10和Tiny-Imagenet数据集上取得了显著的性能提升，无需超参数调整和繁琐的优化过程。
Nov, 2023
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