Mar, 2021

Cut-Thumbnail: 一种卷积神经网络的新型数据增强方法

HTML
PDF
TL;DR本文提出了一种名为Cut-Thumbnail的新型数据增强策略，利用thumbnail替代随机区域，可用于提高网络的形状偏差。我们发现通过将thumbnail与混合样本数据增强结合，对各种计算机视觉任务进行预测时，该方法的效果优于现有的增强方法。在ImageNet分类方面，搭配ResNet-50结构使用Cut-Thumbnail策略获得了79.21％的准确率，超过了基线的2.8％。
发现论文，激发创造
  • 通过增强单个图像进行无监督特征学习

    本文研究如何将数据增强应用于无监督特征学习，我们将各种变换应用于随机图像块，通过卷积神经网络分类学习到有用的特征表示，同时实验结果显示这一算法能在多个视觉数据集上取得较为有竞争性的分类结果。

    Dec, 2013

  • 使用深度神经网络快速自动生成缩略图的Fast-AT

    Fast-AT是一种基于深度神经网络的自动缩略图生成系统，可以实时生成具有不同尺寸和长宽比的缩略图，与现有技术相比具有竞争性的结果。

    Dec, 2016

  • 多尺度稠密网络用于资源高效的图像分类

    该论文研究了在测试时具有计算资源限制的图像分类问题，并通过训练多个带有不同资源需求的分类器并将其作为早期退出引入单个深度卷积神经网络中以最大程度地重用计算，实现了在任意时间进行预测和分配不同的计算量来分类一组样本，框架显著改善了现有技术在两种情况下的表现。

    Mar, 2017

  • 使用深度学习进行图像分类中数据增强的有效性

    本文研究数据增强在图像分类中的应用，对比了多种增强技术，包括传统的裁剪、旋转和翻转以及使用GAN生成不同风格的图像，并提出了一种名为神经增强的方法，通过训练神经网络自学习增强，以提升分类器性能，对该方法在不同数据集上表现的优劣进行了讨论。

    Dec, 2017

  • 使用随机图像裁剪与拼接进行深度CNN的数据增强

    本文提出新的数据增强技术RICAP，通过随机裁剪四张图像并混合其标签来创造新的训练图像，用于防止过拟合，且与当前最先进CNNs相比，RICAP在CIFAR-10等数据集上取得了新的最先进的测试误差，同时也在其他分类任务和图像字幕检索任务中取得更好的结果。

    Nov, 2018

  • 深度神经网络的特征层级增强提高仿射变换鲁棒性

    本文提出了在中间神经网络层引入数据增强以改善卷积神经网络不适用于少量像素旋转或平移的问题，并证明该方法比已有的两种方法获得更好的精度和平均翻转比。

    Feb, 2022

  • 深度学习中的图像数据增强：综述

    本文系统地综述了不同的图像数据增强方法，提出了分类学，分析了这些方法的优点和局限性，以及在三个典型的计算机视觉任务上所做的大量实验，包括语义分割，图像分类和物体检测。最后，我们讨论了数据增强面临的挑战以及未来的研究方向，以提出一些有用的研究指导。

    Apr, 2022

  • 深度学习图像增强技术的全面调查

    本文调研了基于深度学习的图像增强方法，并将其分为三类：无模型、有模型和优化策略。同时，讨论了常见应用的趋势以及使用组和核理论以及无监督学习实现的图像增强方法。

    May, 2022

  • Zoom是必需品：图像分类中Zoom的强大和空间偏差的实证研究

    研究了六种不同的神经网络模型，确认透过图像缩放以提取最重要信息，并通过基于缩放的数据增广技术（TTA）来提高分类准确性，提出了一个新的基准 ImageNet-Hard。

    Apr, 2023

  • 利用卷积神经网络实现自动照片方向检测

    本研究采用了卷积神经网络对图像方向检测进行研究，取得了优于同类论文的研究成果，该系统在消费级照片的检测中表现出色，并使用Guided Backpropagation解释其错误。

    May, 2023