Nov, 2022

AdvMask: 一种基于稀疏对抗攻击的图像分类数据增强方法

HTML
PDF
TL;DR提出了一种基于关键点的数据增强方法，AdvMask，它可以通过最敏感的关键点在图像上生成结构化遮罩，从而强制CNN分类模型在最具区分性的内容被隐藏时寻找其他相关内容，提高分类模型在测试过程中的性能。实验结果表明，AdvMask在各种数据集和CNN模型上的表现优于其他以信息删除为基础的数据增强方法。
发现论文，激发创造
  • 使用生成对抗网络的情感分类数据增强

    本论文提出了一种将生成对抗网络（GAN）用于数据增强的方法，以解决标签分布不均衡导致的图像分类困难，特别是在情感分类中，实验结果表明，使用GAN进行数据增强，可以使分类准确率提高5％〜10％。

    Nov, 2017

  • 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

  • 卷积神经网络上数据增强的进一步优势

    本文研究数据增强在卷积神经网络中的隐式规则效应，与显式正则化技术（如权重衰减和Dropout）相比，数据增强能更易于适应不同的网络结构和训练数据。通过对不同网络架构和训练数据量的消融研究，我们揭示了数据增强的优势，这是长期被忽视的问题。

    Jun, 2019

  • 数据增强再探讨：重新审视干净数据和扩充数据之间的分布差距

    利用数据增强作为正则化方式，我们从解析角度重新考虑了数据增强在深度神经网络中的泛化问题，并发现它显著降低了模型泛化误差，但同时也导致略微增加了经验风险。使用较少的数据对完整增强的数据进行训练能够帮助模型更好地收敛于更好的区域，从而进一步提高准确性。

    Sep, 2019

  • 图像分类中有效数据增广的遮挡技术

    通过批量数据增强技术中的遮盖作为数据增强手段，在高容量模型上（例如ResNet50）的图像分类任务中，为提高性能提供了一种简单的技术；同时，可以使用不同数量的遮挡来研究不同神经网络架构的鲁棒性。

    Oct, 2019

  • 使用越界数据消除不良特征贡献

    提出了一种使用缺乏伪标签和数据分布限制的无分布数据进行数据增强的方法，以改善神经网络的推理泛化能力，并在 CIFAR-10，CIFAR-100 和 ImageNet 的子集上进行了实验证明。

    Jan, 2021

  • 针对视觉识别的对抗性特征增强与规范化

    本文提出了Adversarial Feature Augmentation和Normalization (A-FAN)方法，旨在将对抗性的特征嵌入到当前的视觉识别模型中，从而提高其分类、检测和分割任务的泛化能力。在各种数据集上的实验证明，A-FAN可以有效地提高当前视觉识别任务的表现。

    Mar, 2021

  • 数据增强之图像混合与删除调查

    本文提供对数据增强技术中图片混合和删除方法的全面调查和分类，包含其强项、局限性、基本原理和应用， 并讨论其面临的挑战和未来研究方向，申明提供数据集和代码供评估。

    Jun, 2021

  • 深度学习中的图像数据增强：综述

    本文系统地综述了不同的图像数据增强方法，提出了分类学，分析了这些方法的优点和局限性，以及在三个典型的计算机视觉任务上所做的大量实验，包括语义分割，图像分类和物体检测。最后，我们讨论了数据增强面临的挑战以及未来的研究方向，以提出一些有用的研究指导。

    Apr, 2022

  • 图像检索技术综述：数据增强与对抗学习方法

    本文针对图像检索在大规模数据集、跨域检索及真实世界条件下的挑战进行了研究，填补了现有方法的不足。提出通过数据增强和对抗学习提升模型的泛化能力和鲁棒性。研究表明，这些技术显著提升了图像检索的性能，并为未来的研究方向提供了新的视角。

    Sep, 2024