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

本文提出了一种名为Fast AutoAugment的算法，通过基于密度匹配的更高效的搜索策略找到有效的数据扩充策略，相比于AutoAugment，该算法在各种模型和数据集上加速了搜索时间，并实现了可比较的图像识别性能。

May, 2019

本研究提出了一种名为RandAugment的自动数据增强技术，可解决现有方法可能面临的训练复杂度和调整正则化强度的问题，并能显著提高神经网络模型的准确性和鲁棒性。

Sep, 2019

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

本文研究数据扩增的方法及其在计算机视觉任务中的效果，提出了UniformAugment，一种无需搜索阶段即可实现自动数据扩增的方法， 并通过标准的数据集和经典模型证明其有效性和高效性。

Mar, 2020

本文提出了一种基于显著性图的数据增强方法KeepAugment，通过保留图像中的重要区域进行增强，从而提高了深度学习系统的性能，在图像分类、半监督图像分类、多视角多摄像头跟踪和目标检测等领域获得了显著的结果。

Nov, 2020

该研究提出了一种无需参数的基准自动增强方法TrivialAugment，只对每个图像应用单一的增强，并通过实验比较和分析其表现及其对于算法表现的重要需求，同时提出最佳实践以供参考。

Mar, 2021

该研究提出了基于尺度感知的自动数据增强方法 Scale-aware AutoAug，旨在学习适用于目标检测的数据增强策略。经实验证明，该方法在保持尺度不变性方面较强的多尺度基准训练方法上具有显著和一致的改进，其搜索成本比先前的自动增强方法要低得多，并具有可传输性在目标检测之外的任务和其他数据集上适用。

Mar, 2021

本文提出了一种利用自动数据增强技术进行图像分类和语义分割任务的新方法，称为Differentiable Augmentation Search(DAS)，通过生成可作为视频处理的图像变化，DAS可以在极短的时间内搜索非常大的搜索空间，且相比标准的数据增强方法，在不同的轻量级视频骨干网络上取得更高的准确性。

Mar, 2024

引入了一种名为KeepOriginalAugment的新型数据增强方法，可以使模型利用突出区域和非突出区域的多样性，在各项实验评估中显示出比现有技术更优越的性能。

May, 2024