针对少样本单视角三维重建的姿态自适应双 Mixup
介绍了一种名为 AlignMix 的新型混合方法,通过在特征空间中几何对齐两个图像,从而使混合方法保留一个图像的几何特征和另一个图像的纹理,提高了表示学习效果。
Mar, 2021
该研究提出了一种新的概念框架 —— 监督插值,通过松弛和概括 Mixup,可以有效地规范混合数据的训练,进而提出了一种名为 LossMix 的简单却灵活且有效的正则化方法,并设计了一种两阶段的域混合方法,借助 LossMix 超越了 Adaptive Teacher,并在无监督领域适应中有了新的突破。
Mar, 2023
本文提出了 SDMP 方法来捕捉数据混合的内在相关性,将混合的图像作为额外的正对,从而在自监督表示学习中提高了学习框架的准确度和鲁棒性,是首个成功利用数据混合来提高视觉 Transformer 性能的方法。
Jun, 2022
在本文中,我们提出了一种称为多重揉混(multi-mix)的简单而有效的扩展方法,它通过从样本对生成多个插值样本,可以比标准 mixup 更好地引导训练过程,从而在泛化性能、鲁棒性和校准度方面超过了各种 mixup 变体和非 mixup 基线。
Jun, 2024
本文提出了一种基于多视图图像的多人姿态估计方法,在统计参数体模型的引导下,这种方法能够更好地纠正不合理的 3D 姿态估计和填充缺失的关节点检测,将 2D 和 3D 观测联系起来,从而更准确地估计 3D 姿态并且具有较好的泛化性能,实验表明该方法的效果优于现有的方法。
Oct, 2021
该论文提出了一种自动混合框架 ——AutoMix,它将混合分类分为两个子任务,并使用相应的子网络在双层优化框架中解决。AutoMix 在 9 个图像基准上的广泛实验表明,在各种分类场景和下游任务中,其优越性超过了现有技术。
Mar, 2021
本文提出了一种混合分类 - 回归框架,用于解决计算机视觉中单个 2D 图像中的 3D 姿态估计问题,该方法能够捕捉多模态姿态分布,通过使用分类网络产生离散多模态姿态估计和回归网络产生连续的优化结果,实现了多个分类 - 回归模型,其中一些在具有挑战性的 Pascal3D + 数据集上达到了最新水平的性能表现。
May, 2018
通过对数据进行增强,尤其是在训练数据有限的情况下,数据增强技术可以显著提高计算机视觉模型的泛化能力。然而,由于不同 ially private learning 方法固有的假设,即每个训练图像对学习模型的贡献是有限的,这些技术与不同 ially private 学习方法在基本上不兼容。本文研究了为什么多样本数据增强技术(如 mixup)的朴素应用无法取得良好的性能,并提出了两种新型的数据增强技术,专门针对不同 ially private 学习的约束条件。我们的第一种技术 DP-Mix_Self 通过在自我增强的数据上执行 mixup,在一系列数据集和设置中实现了具有 SoTA 分类性能。我们的第二种技术 DP-Mix_Diff 通过将来自预训练扩散模型的合成数据纳入 mixup 过程中,进一步提高了性能。我们在此 URL 中开源了代码。
Nov, 2023
本文提出了一种名为 MetaMixUp 的数据增强方法,该方法通过在线元学习动态学习插值策略,可用于模型正则化、半监督学习和领域自适应,实验证明 MetaMixUp 比原始的 MixUp 和其变体在半监督学习配置下效果更好。
Aug, 2019
本文提出了一种基于特征空间上的混合距离正则化的方法,用于训练现有的生成模型,以在少量样本的情况下增强其逼真性和多样性,从而解决 GANs 在训练数据不足时的过拟合问题和模式崩溃现象。
Nov, 2021