本研究基于深度学习和视觉归纳先验，提出一种在视频数据上进行时空数据扩充与学习的方法，即 “时序扩充”，以提高视频识别性能和鲁棒性。通过这种方法，能够在更少的训练数据上，实现超越空间扩充算法的识别效果，并实现无法用空间算法实现的时序本地化特征学习。

Aug, 2020

在视频分类任务中，我们首次系统地分析了各种数据增强策略的有效性，并提出了一个强大的增强策略 VideoMix，该策略通过将视频立方体插入另一个视频来创建新的训练视频；在各种数据增强基准上，VideoMix 一直表现优秀，在 Kinetics、Something-Something-V2 基准测试中始终优于其他增强基线，并提高了 THUMOS'14 中弱监督的动作定位性能和 AVA 中的视频检测任务。

Dec, 2020

提出了两种新的评估方法来评估模型对训练和测试数据之间的分布差异的鲁棒性，通过采用梯度上升在数据增强参数上生成对分类模型具有挑战性的视频视图的增强视图，并通过 ' 课程 ' 调度视频增强的强度来解决鲁棒性问题。在现实世界的应用中，通过对比基准，在三种最先进的动作识别模型 - TSM、Video Swin Transformer 和 Uniformer 上实验表明了所提出的对抗性增强方法的优越性能，从而提高了视频动作识别性能。

Jan, 2024

基于数据的学习预测变换分布以及通过对样本对齐实现对不同类别的普遍不变性和适应不同姿态，从而提高计算机视觉中的准确性和鲁棒性。

Sep, 2023

在视觉识别领域，数据增强作为一种关键技术可以增加模型的鲁棒性。本文从理论和实证的角度探讨数据增强的机制，揭示了其在模型鲁棒性中的作用，并通过实验证明了这些技术主要通过中高级游戏交互来刺激。此外，我们的研究还涵盖了多个数据集和各种增强技术，强调了我们的发现在各种情况下的普适性。通过揭示一个简化的代理方法，我们不仅能简化鲁棒性评估，还能深入了解模型游戏交互的固有动态及其与整体系统鲁棒性的关系。这些洞察力为重新评估视觉识别任务中的模型安全性和鲁棒性提供了新的透视。

Sep, 2023

计算机视觉中，通过数据增强方式可以提高鲁棒性，但增加高斯数据增强和对抗训练等方法并不能保证所有的污染类型都能同样得到提高，因此需要使用更多样的数据增强方式来缓解这些折衷。最近提出的 AutoAugment 方法在清晰精度和鲁棒性方面均得到了最佳表现。

Jun, 2019

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

该研究基于对简单的 CNN 使用几何和光度扩增方案的试验性结果，通过 4 折交叉验证考察了不同的数据扩增方案，并证明 crop 扩增在几何扩增方案中可以显著提高 CNN 任务性能。

Aug, 2017

本文介绍了 S3Aug，一种用于动作识别的视频数据增强方法。该方法通过分割和标签转换，从单个训练视频生成新的视频，并通过采样修改某些类别的标签图像，以生成多样的视频，并通过移动中间特征来增强生成视频帧之间的时间连贯性。通过在 UCF101、HMDB51 和 Mimetics 数据集上的实验证明了所提方法的有效性，尤其对于 Mimetics 数据集中的非上下文视频。

Oct, 2023

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