Jan, 2023

图像数据增强方法综述及未来方向

PDF
TL;DR本文介绍了深度学习算法在计算机视觉任务中的性能表现，以及数据增强技术对应对过拟合问题的应用。在这篇文章中，我们提供了数据增强技术的背景知识和综述，通过对现有的数据增强技术进行分类和比较，从而指导研究者选择适合自己的方法。我们还研究了数据增强技术的综合效果，得出结论可以显著提升图像分类、目标检测和语义分割的性能，我们提供了代码用于结果复现，并探讨了该领域未来的研究方向与挑战。
发现论文，激发创造
  • 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

  • 深度学习图像增强技术的全面调查

    本文调研了基于深度学习的图像增强方法，并将其分为三类：无模型、有模型和优化策略。同时，讨论了常见应用的趋势以及使用组和核理论以及无监督学习实现的图像增强方法。

    May, 2022

  • 人脸数据增强概述

    本文从转换类型和方法的角度系统地回顾了现有的人脸数据增强研究，特别关注于基于深度学习的方法，尤其是生成式对抗网络。研究结果表明，这些方法为丰富人脸训练集并提高其质量提供了更有效的工具，并提出了评价它们的指标及未来的挑战。

    Apr, 2019

  • 计算机视觉中合成数据增强方法的调查

    这篇论文对合成数据增强技术进行了广泛评估，包括基于真实 3D 图形建模、神经风格迁移、差分神经渲染、生成对抗网络和变分自编码器等生成人工智能技术。对于每一种方法类别，我们关注重要的数据生成和增强技术、广泛的应用范围和具体的用例，以及现有限制和可能的解决方法。此外，我们总结了用于训练计算机视觉模型的常见合成数据集，强调主要特点、应用领域和支持的任务。最后，我们讨论了合成数据增强方法的有效性，并希望通过这篇详细的论文为读者提供必要的背景信息和深入了解现有方法及相关问题。

    Mar, 2024

  • 自动化机器学习中的数据增强：方法与传统数据增强方法的性能比较

    该研究论文综述了基于自动机器学习（AutoML）原理的自动数据增强技术，讨论了利用 AutoML 实现数据增强的各种方法，包括数据操作、数据集成和数据合成技术，并对搜索空间设计、超参数优化和模型评估等数据增强子任务进行了广泛的讨论。最后，通过与传统增强方法基于经典方法的最新技术进行全面比较和分析，结果显示目前 AutoML 方法在数据增强方面的性能超过传统方法的最新技术。

    Mar, 2024

  • 数据增强综述

    数据增强是一系列通过操作现有数据样本生成高质量人工数据的技术，利用数据增强技术可以显著提高人工智能模型在涉及稀缺或不平衡数据集的任务中的适用性，从而大大提高模型的泛化能力。本文提出了一个更具启发性的分类法，该分类法涵盖了不同常见数据形式的数据增强技术，并通过一种统一的归纳方法对这些方法进行了分类。

    May, 2024

  • 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

  • 深度学习中点云数据增强的进展：一项调查

    该研究综述了深度学习在点云处理中的应用，探讨了数据增强方法，并对其进行了综合评估和分类，以帮助研究人员全面了解点云数据增强的现状，并推动其广泛应用和发展。

    Aug, 2023

  • 大模型时代的数据增强调查

    大型模型驱动的数据增强方法的综述，包括图像增强、文本增强和配对数据增强三个主要类别以及相关的数据后处理技术和应用领域，评估了大型模型驱动的数据增强在不同场景下的成功和限制，并提出了未来研究的挑战和方向。

    Jan, 2024

  • 文本分类数据增强调查

    本文旨在提高机器学习分类系统的泛化能力，通过对数据进行转换的方式来人工创建训练数据，从而增强数据的多样性，该文章就在「文本分类」中，对数据增强方法及其应用目标做了详细概述与分类，最终针对相关领域，提出建设性思路方向。

    Jul, 2021