Jan, 2023

图像数据增强方法综述及未来方向

HTML
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
  • 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

  • 目标检测数据增强策略的学习

    本研究研究了数据增强对目标检测的影响和作用，探究了深度学习模型训练中利用学习的特殊数据增强策略来优化模型的表现，并在COCO数据集上证明了其有效性，最终提高了50.7 mAP的检测精度。

    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

  • 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

  • 在高激活空间中通过变换增强自监督学习的深度增强

    采用“Deep Augmentation”方法，通过在神经网络内部针对性地应用dropout实现数据增广，并采用stop-gradient操作进一步提高模型性能和泛化能力，在视觉和自然语言处理领域的对比学习任务中通过对ResNets和Transformers模型的广泛实验证明效果显著，与增广输入数据相比，针对深层模型的Deep Augmentation效果更好，而且该方法简单且对网络和数据无限制，方便集成到计算机视觉和自然语言处理流程中。

    Mar, 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

  • 图像数据增强的扩散模型进展：方法、模型、评估指标和未来研究方向综述

    图像数据增强在计算机视觉任务中是一种重要的方法，它可以增强训练数据集的多样性和质量，从而提高机器学习模型在下游任务中的性能和鲁棒性。本研究对基于扩散模型的图像增强方法进行了系统、全面、深入的综述，涵盖了广泛的策略、任务和应用。具体而言，首先对扩散模型的基本原理、模型架构和训练策略进行了全面分析。随后，引入了相关图像增强方法的分类方法，重点介绍了语义操作、个性化和适应性以及特定应用增强任务的技术。然后，分析了性能评估方法和相应的评估指标。最后，讨论了当前领域面临的挑战和未来的研究方向。

    Jul, 2024