ECCVFeb, 2022

深度神经网络的特征层级增强提高仿射变换鲁棒性

PDF
TL;DR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。
convolutional neural networksdata augmentationintermediate layersimage transformationsneural architecture
发现论文，激发创造
  • 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

  • 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

  • 为什么深度卷积神经网络对小图像变换的泛化性表现很差？

    本文研究了卷积神经网络在面对微小图像变换时不具有不变性及其成因。作者提出传统的卷积架构不满足传统采样定理及数据增强只适用于与训练集中典型图像相似的图像，且两种解决方案只能部分解决问题。因此，在网络保持高准确率的情况下保证不变性的问题仍未解决。

    May, 2018

  • 图像数据增强的特征转换

    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。

    Jan, 2022

  • 翻译困境：现代神经网络在小型逼真图像变换中仍然面临困难

    通过简单的方法，我们实现了对最先进模型进行 1 像素平移的错误率降低到不到 5%，同时只有 1% 的分类准确率下降。此方法还可以轻松调整以处理循环位移，而无需任何进一步的训练。

    Apr, 2024

  • 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

  • 通过稳定性训练改善深度神经网络的鲁棒性

    本研究解决了深度神经网络输出不稳定的问题，通过提出一种稳定训练方法，使其能够应对常见图像处理带来的输入扭曲，并在大规模近似重复检测、类图像排序和嘈杂数据集分类等方面取得了鲁棒且最先进的性能。

    Apr, 2016

  • 在高激活空间中通过变换增强自监督学习的深度增强

    采用 “Deep Augmentation” 方法，通过在神经网络内部针对性地应用 dropout 实现数据增广，并采用 stop-gradient 操作进一步提高模型性能和泛化能力，在视觉和自然语言处理领域的对比学习任务中通过对 ResNets 和 Transformers 模型的广泛实验证明效果显著，与增广输入数据相比，针对深层模型的 Deep Augmentation 效果更好，而且该方法简单且对网络和数据无限制，方便集成到计算机视觉和自然语言处理流程中。

    Mar, 2023

  • 密集预测的高效不变卷积神经网络

    本文提出了基于核旋转和翻转的一组方法，以实现对卷积神经网络中的旋转和翻转不变性，结果表明，这些方法能够在合理的资源要求下实现不同的不变性。

    Nov, 2017

  • 数据增强中图像变换对深度神经网络性能的影响

    研究探讨了数据丰富对深度神经网络在超分辨率问题上的性能影响，并发现所有转换的混合提供了最佳结果。

    Jun, 2023