CVPRMar, 2021

面向目标检测的尺度感知自动增广

PDF
TL;DR该研究提出了基于尺度感知的自动数据增强方法 Scale-aware AutoAug，旨在学习适用于目标检测的数据增强策略。经实验证明，该方法在保持尺度不变性方面较强的多尺度基准训练方法上具有显著和一致的改进，其搜索成本比先前的自动增强方法要低得多，并具有可传输性在目标检测之外的任务和其他数据集上适用。
scale-aware autoaugobject detectiondata augmentation policiessearch spacetransferable
发现论文，激发创造
  • AdaScale: 基于自适应缩放的实时视频目标检测

    本文介绍了一种被称为 AdaScale 的新方法，该方法在视频对象检测方面提供了更好的准确性和速度，并展示了 - imagenet VID 和 mini YouTube - 边界框数据集上的结果。

    Feb, 2019

  • 快速自动增强

    本文提出了一种名为 Fast AutoAugment 的算法，通过基于密度匹配的更高效的搜索策略找到有效的数据扩充策略，相比于 AutoAugment，该算法在各种模型和数据集上加速了搜索时间，并实现了可比较的图像识别性能。

    May, 2019

  • AutoDO: 基于可扩展概率隐式微分的鲁棒性标准化数据自适应增强方法

    AutoDO 可用于深度学习模型的自动数据扩充，通过对损失权重、软标签等超参数进行联合估计来最小化测试数据和失真的训练数据之间的分布偏移，实现了偏差数据和标签噪音下的机器学习模型优化，相较于之前的方法，有着多达 9.3% 的准确度提升，并且在 SVHN 分类优化上达到了 36.6% 的增益。

    Mar, 2021

  • RandAugment：简化搜索空间的实用自动化数据增强

    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

  • AutoScaler：用于视觉对应的缩放 - 注意力网络

    本论文提出了 AutoScaler，一种通过权重共享的特征网络计算多尺度特征图并通过注意力网络实现最佳组合，从而在视觉对应任务中实现自适应感受野大小的规划。该网络与典型的光流和语义匹配基准方法相比具有更优秀的结果，并可推广至改善手动指定的描述符上进行视觉对应任务。同时，该注意力网络能够生成可视化的尺度注意力映射。

    Nov, 2016

  • AutoAugment: 从数据中学习增强策略

    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

  • 对抗自动数据增强

    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

  • 深层 AutoAugment

    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

  • 通过对抗性学习实现鲁棒准确的物体检测

    本文提出了一种基于敌对样本的选择性、动态并且与检测器演化相关的数据扩增方法，该方法适用于目标检测模型，能够大幅提高模型的鲁棒性和检测精度。与基于模型无关的自动增广方法相比，在不同的检测模型中，该方法表现更加广泛和稳健。

    Mar, 2021

  • MetaAugment: 样本感知数据增强策略学习

    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