CVPRFeb, 2022

TeachAugment: 利用教师知识优化数据增强

PDF
TL;DR该研究提出了一种名为 TeachAugment 的数据增强优化方法，使用对抗策略和教师模型来搜索增强，简化搜索空间设计并允许使用梯度方法更新数据增强。在图像分类、语义分割和无监督表示学习任务的实验中，TeachAugment 优于现有方法。
data augmentationadversarial strategyteacher modelneural networksmodel generalization
发现论文，激发创造
  • 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

  • 联合优化数据增强和网络训练：对抗数据增强在人体姿势估计中的应用

    提出对抗数据增强方法来优化神经网络模型的训练，通过生成难度较高的增强操作来让网络进行学习，实现训练的同时进行数据增强，对人体姿势估计问题进行实验测试，证明该方法能够显著提高模型性能而不需要额外的数据增强。

    May, 2018

  • 智能增强 - 学习最优数据增强策略

    本文介绍了一种名为 Smart Augmentation 的辅助方法，可以在训练神经网络时增加其准确性并减少过拟合。通过训练一种生成经过增强数据的网络，以减少目标网络的误差，实现了学习最小化网络误差的增强方式。Smart Augmentation 在所有测试数据集上均证明了提高准确性的潜力，并在多种测试情况下以显著较小的网络尺寸实现了类似或更好的性能水平。

    Mar, 2017

  • 通过隐式对抗数据增强提升模型的弹性

    通过融入对抗性和反对抗性扰动分布，增强样本的深度特征，适应性调整学习困难以适应每个样本的特征。同时，开发了一种基于元学习的框架，通过引入增强的效果并跳过显式的增强过程，优化分类器。在长尾学习、广义长尾学习、嘈杂标记学习和子种群转移学习等四种常见偏差学习场景中进行了广泛实验，实证结果表明该方法始终达到最先进的性能水平，突显其广泛适应性。

    Apr, 2024

  • 数据增强优化的元方法

    本文提出了一种优化图像识别模型和数据增强策略的方法，使用梯度下降同时优化两者，通过使用 Neumann 级数逼近来近似策略梯度，以实现高效可扩展的训练，以提高各种图像分类任务的性能。

    Jun, 2020

  • 测试时间数据扩增的学习损失

    该研究提出了一种基于实例的测试时间数据增强方法，使用辅助模块来预测每种可能的转换的损失，并将预测损失较低的转换应用于输入，实验结果表明该方法提高了模型对多种损坏的鲁棒性。

    Oct, 2020

  • 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

  • AdaAugment：一种无需调优的自适应数据增强方法

    AdaAugment 是一种无需调参的创新自适应增强方法，利用强化学习根据目标网络的实时反馈动态调整个别训练样本的增强程度，通过优化策略网络和目标网络的联合来有效适应增强程度，从而在效果和效率上一致性地优于其他最先进的数据增强方法。

    May, 2024

  • 学习为数据增强编写领域特定变换

    利用生成对抗算法学习序列模型来自动生成数据增强方法，有效提高图片和文本数据集的识别准确度。

    Sep, 2017

  • 使用反向传播学习增强策略的更快自动增强

    本文提出了一种可微分的策略搜索方法，用于数据增强，该方法比之前的方法更快，使用的是离散参数变换的近似梯度和可分辨操作选择机制。我们的方法通过最小化增强数据与原始数据之间的分布距离来优化，比之前的工作实现了显著更快的搜索，而不会出现性能下降。

    Nov, 2019