Jan, 2022

图像数据增强的特征转换

PDF
TL;DR本研究提出了基于数据层面上的集成学习方法，在 Convolutional Neural Networks 的训练集上应用将 14 种数据增强方法生成的图像构建 ensemble，其中包括了基于傅里叶变换、Radon 变换和离散余弦变换的三种新型数据增强方法。通过 11 个基准测试的比较，证明了该方法不仅与当前的最优方法竞争力度一致，有时还能超过其性能。
convolutional neural networksdata augmentationensemble learningresnet50image classification
发现论文，激发创造
  • 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

  • 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

  • 利用通用数据增强改进深度学习

    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

  • 重新审视数据增强对卷积神经网络旋转不变性的作用

    卷积神经网络 (CNN) 在各种计算机视觉任务中提供了最先进的性能。本文研究如何在 CNN 中最佳地包括旋转不变性以进行图像分类，并通过数据增强等方法训练网络以实现旋转不变性。

    Oct, 2023

  • 有效图像分类的图像边缘增强

    通过在训练过程中引入高频特征提取和边缘增强的方法，我们提出了一种增强神经网络的准确性和训练速度的方法。实验证明了我们的方法在两个不同的数据集 CIFAR10 和 CALTECH101 以及三种不同的网络架构 ResNet-18，LeNet-5 和 CNN-9 上的有效性。

    Jan, 2024

  • 旋转增强技术：图像分类集成学习的新视角

    本研究提出了一种新方法，在原始数据集上进行基于旋转的数据增强， 使用集成学习系统确定增强阶段获取的每个子集中最可靠的结果，以获得每个原始图像的最终预测并发现使用基于集成的投票系统比简单投票方法产生更准确的结果。

    Jun, 2023

  • 使用合成数据进行时间序列分类的数据增强与深度残差网络

    本文研究了基于动态时间规整距离的数据增强技术在深度学习模型在时间序列分类任务中的应用，通过对 UCR TSC 基准测试集的大量实验，发现数据增强可以显著提高深度 CNN 在某些数据集上的准确度，并在集合方法中使用此方法可以显著改善模型准确度。

    Aug, 2018

  • 用于图像分类和搜索的变换不变卷积神经网络

    该研究提出了在卷积神经网络的训练阶段中随机转换特征图以增强模型对空间变换的不变性，从而显著提高了 CNN 在图片识别等许多基准任务上的表现。

    Nov, 2019

  • 卷积神经网络图像分类的诀窍

    本文探讨了图像分类模型训练过程中的一些改进方法，如数据增强和优化方法的变化，通过实验证明这些改进方法的整合能够显著提高 CNN 模型的准确性，在 ImageNet 上，我们将 ResNet-50 的 top-1 验证准确率从 75.3% 提高到 79.29%，而且还证明了这种提高对于其他应用领域，如目标检测和语义分割，也具有更好的迁移学习性能。

    Dec, 2018

  • 使用离散余弦变换的深度卷积神经网络进行失真鲁棒图像分类

    本文提出一种基于离散余弦变换的 DCT-Net 模块，可用于改善卷积神经网络 (CNN) 在面对包括高噪音、模糊等多种苟且不净的图像质量下的分类表现。通过丢弃高频信息，DCT-Net 能够在训练和测试过程中自适应地适应各种扭曲情况，仅需盲目一次训练即可用于未知的图像失真情况，结果表明 DCT-Net 在 CIFAR-10/100 和 ImageNet 测试数据集上具有更好的分类准确性。

    Nov, 2018