本文提出了一种基于信息删除的新型数据增强方法 `GridMask'，在各种计算机视觉任务中取得了最先进的结果。通过对信息删除的需求的分析，我们展示了现有信息删除算法的局限性，并提出了简单而又非常有效的我们的结构化方法。我们的广泛实验证明了我们的方法优于最新的 AutoAugment，在每个领域都有明显提高。

Jan, 2020

本文提出了一种监督式混合增强方法 SuperMix，使用牛顿迭代方法来提高效率，在对象分类和知识蒸馏任务中通过广泛的评估和消融研究验证了其有效性，将混合图像纳入蒸馏目标可显著提高结果。

Mar, 2020

数据增强是提高深度网络性能的有效方法，本文着重研究在超分辨率任务中应用现有增强方法所遇到的挑战，提出 CutBlur 方法来解决空间关系的问题，并在各种情景下显著提高了超分辨率、去噪和压缩去块等低级别视觉任务的性能。

Apr, 2020

数据增强已成为视觉预训练模型的标准组成部分，用于捕捉增强视图之间的不变性。本研究通过实证研究来量化数据增强对性能的影响，发现图像的区域遮盖减少了学到的特征嵌入的不变性，同时提供了更多的多样性。手动注释不会改变学到的特征嵌入的不变性或多样性。MixUp 方法在多样性方面得到了显著改善，对不变性只有轻微的降低。

Oct, 2023

通过使用 MixCut 方法进行数据增强，本研究在面部表情图像识别中实现了 85.63% 和 87.88% 的分类准确率，相较于 CutOut，Mixup 和 CutMix 等三种数据增强方法分别提高了 0.59%，0.36%，0.39% 和 0.22%，0.65%，0.5% 的分类准确率。

May, 2024

本文提出了一种使用简单的全卷积网络预测超像素的新方法，以及在此基础上进行稠密预测任务下采样 / 上采样方案的改进，实验结果表明该方法能够在 50fps 的速度下取得最先进的超像素分割性能，并且在公共数据集上能够获得更好的视差估计精度。

Mar, 2020

该论文提出了一种名为 CutMix 的数据增强策略，该策略结合了区域 dropout 策略和图像贴图技巧，其旨在提高卷积神经网络的分类性能，改善对象定位和提高网络的鲁棒性。实验结果显示，CutMix 方法在 ImageNet 数据集上的分类任务中能够持续地超越当前领先的数据增强方法，同时还能提高由其预训练的分类器在 Pascal 检测和 MSCOCO 图像字幕生成等任务中的表现。

May, 2019

本文提出了一种基于类激活图（CAM）的新方案，名为 Semantically Proportional Mixing（SnapMix），以减少在增广精细数据时的标签噪声。与现有的基于混合的方法相比，实验证明我们的方法在多个数据集和不同网络深度下表现更好。

Dec, 2020

本文技术为使用生成模型并结合任务驱动数据增强方法，显式地建模变形场和强化蒙版，用于为监督型深度学习模型训练新的 MRI 心脏分割训练数据，实验结果表明该方法在小样本数据的分割任务中表现优异。

Feb, 2019

通过使用超像素与现代 Transformer 框架相结合，本研究提出一种能在语义分割领域获得最先进性能的方法，通过学习将像素空间分解为低维超像素空间，并运用多头自注意力机制来丰富超像素特征以获得全局上下文信息，最终实现了更高的计算效率和模型性能。

Sep, 2023