Feb, 2022

混合数据增强技术在手部和物体接触检测中的应用

PDF
TL;DR本文提出了一种称为 Background Mixup 的数据增强方法来提高手对象检测的性能，通过混合不包含手和物体的背景图像来防止意外偏差，有效地减少假阳性，适用于监督和半监督学习。
hand-object detectiondata augmentationobject detectorfalse positivessemi-supervised learning
发现论文，激发创造
  • 基于背景混合的弱监督变化检测增强

    本文从数据增强和弱监督学习的角度研究了变化检测的泛化问题，提出了一种基于背景混合数据增强和虚假标签的弱监督训练方法，并设计了一种增强数据一致性损失以显著提高模型的泛化能力。经过广泛的实验验证，在两个公共数据集中，该方法可以增强四种最先进的变化检测方法，证明了它的优势。

    Nov, 2022

  • LossMix: 简化和泛化 Mixup 以用于目标检测和更多领域

    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

  • ResizeMix：混合数据以保留对象信息和真实标签

    通过研究发现，基于图像显著性信息的数据混合并不一定对增强性能有太大帮助，采用更有效、更易于实现的 ResizeMix 方法进行数据混合比 CutMix 和基于显著性信息的方法更具优势。

    Dec, 2020

  • VideoMix：重新思考视频分类的数据增强

    在视频分类任务中，我们首次系统地分析了各种数据增强策略的有效性，并提出了一个强大的增强策略 VideoMix，该策略通过将视频立方体插入另一个视频来创建新的训练视频；在各种数据增强基准上，VideoMix 一直表现优秀，在 Kinetics、Something-Something-V2 基准测试中始终优于其他增强基线，并提高了 THUMOS'14 中弱监督的动作定位性能和 AVA 中的视频检测任务。

    Dec, 2020

  • 引导 Mixup：由显著图引导的高效 Mixup 策略

    提出了一种新的基于 saliency-aware 的 mixup 方法 ——GuidedMixup，通过一种高效的配对算法来最小化配对图像的显著区域间的冲突，平滑地插值两幅图像以更好地保留显著区域，并且可以在分类数据集上提供良好的计算效率与泛化性能之间的平衡。

    Jun, 2023

  • 学习双手和操纵物的联合重建

    基于物理约束的手 - 物体重构模型，利用合成数据集 ObMan 进行模型训练和验证，达到手 - 物交互场景下的稳定手部姿势和可行物体形状重构。

    Apr, 2019

  • 对抗自动混合

    通过交替优化分类器和混合样本生成器，我们提出了一种对抗性自动混合增强方法 AdAutomixup，用于生成具有挑战性的样本以训练强大的图像分类器，并通过引入指数移动平均教师和余弦相似度来防止图像内在意义的崩溃。大量实验证明，我们的方法在各种分类场景中优于现有技术水平。

    Dec, 2023

  • HandAugment：基于深度的三维手部姿态估计的简单数据增强方法

    本文提出了 HandAugment，一种方法来合成图像数据以增强神经网络的训练过程，在 HANDS 2019 挑战赛中，该方法取得了深度为基础的 3D 手部姿势估计任务的第一名。

    Jan, 2020

  • ObjectMix：在视频中通过复制黏贴对象进行数据增强，以进行动作识别

    本文提出了一种使用实例分割进行数据增强的动作识别方法 ObjectMix，并通过 UCF101 和 HMDB51 数据集验证了其优于之前方法 VideoMix 的有效性。

    Apr, 2022

  • TransformMix: 从数据中学习变换和混合策略

    数据增强通过合成更多的训练样本提高深度学习模型的泛化能力。TransformMix 是一种自动化方法，通过应用学习到的变换和混合扩增策略来创建具有正确和重要信息的混合图像，从而提高性能。

    Mar, 2024