基于张量 T - 积算子的图像分类网络自适应数据增强框架

Jun, 2023

基于张量 T - 积算子的图像分类网络自适应数据增强框架

T-ADAF: Adaptive Data Augmentation Framework for Image Classification Network based on Tensor T-product Operator

Feiyang Han, Yun Miao, Zhaoyi Sun, Yimin Wei

TL;DR本文提出了一种自适应数据增强框架，基于张量 T - 积算子三倍图像数据进行训练并获得结果，可以同时实现列图像嵌入和全局特征交集，模型在空间和频率领域中获取信息，提高了模型的预测精度，通过数值实验，证明了该自适应框架的有效性，完整神经网络模型性能提高了 2％。

Abstract

image classification is one of the most fundamental tasks in Computer Vision. In practical applications, the datasets are usually not as abundant as those in the laboratory and simulation, which is always called as Data Hungry. How to extract the information of data more completely and

image classification adaptive data augmentation framework t-product operator neural network model prediction accuracy

发现论文，激发创造

通过对抗解耦增强框架实现面部隐私保护的提示鲁棒性

本研究提出了一种基于 Adversarial Decoupling Augmentation Framework (ADAF) 的面部隐私保护算法，通过针对图像 - 文本融合模块增强面部隐私保护算法的防御性能，采用多级文本相关增强措施提高对各种攻击者提示的防御稳定性，并在 CelebA-HQ 和 VGGFace2 上进行广泛的实验，证明了 ADAF 比现有算法具有更好的性能。

May, 2023

利用测试时间增强和一致性评估进行异常检测

本文提出一种针对神经网络对未知数据的检测算法，名为 TTA-AD，借鉴了一种新的观察方法，实验证明 TTA-AD 在不同高效图像基准数据集下，运行时间比现有基于分类器的算法下降了 60%~90% 且具有可比较或更好的检测性能。

Jun, 2022

增强型成像：一种基于数据的飞行器空气数据传感器故障检测方法

本文提出了一种新的数据驱动方法 Augmented Imagefication 用于飞机空气数据传感器（ADS）的故障检测（FD），并使用深度神经网络（DNN）开发了一种基于边缘设备的在线 FD 方案，采用航空惯性参考单位测量作为等效输入，并提供了不同飞机 / 飞行条件下的数据进行多样性（可伸缩性）的训练 / 测试数据库。

Jun, 2022

数据增强的群论框架

本文提出了一种理论框架，证明了数据增强等效于对保持数据分布近似不变的某一群轨道的平均操作，从而能够减少方差，研究了经验风险最小化、指数族、线性回归和某些双层神经网络这些领域中数据增强的应用。

Jul, 2019

对抗自动数据增强

通过使用对抗性方法，Adversarial AutoAugment 能够通过同时优化目标相关对象和数据增强策略搜索损失，以便更快且更有效率地完成深度神经网络的训练及图像分类任务，从而将计算成本减少 12 倍，时间开销减少 11 倍，达到了最佳的实验成果。

Dec, 2019

对比学习的自适应数据增强

本研究提出了一种名为 AdDA 的自适应数据增强（Adaptive Data Augmentation）方法，通过在训练过程中实时反馈调整数据增强的组合，优化对比学习网络的表示学习效果，并在 ImageNet-100 数据集上进行了测试。

Apr, 2023

通过对抗性学习实现鲁棒准确的物体检测

本文提出了一种基于敌对样本的选择性、动态并且与检测器演化相关的数据扩增方法，该方法适用于目标检测模型，能够大幅提高模型的鲁棒性和检测精度。与基于模型无关的自动增广方法相比，在不同的检测模型中，该方法表现更加广泛和稳健。

Mar, 2021

利用时间对抗性增强提高视频表现

本研究提出了一种新的视觉增强技术 (Temporal Adversarial Augmentation), 该技术利用时间关注，通过最大化与时间相关的损失函数来移动神经网络的注意力分布，实现神经网络对于视频剪辑的视角多样化，增强了神经网络的泛化能力，提高模型对于 ODD 情况的稳健性，不需要额外的参数或计算成本。

Apr, 2023

何时学习什么：模型自适应数据增强课程

模型自适应数据增强（MADAug）是一种通过训练数据增强策略网络来向模型教授何时学习何事的方法，旨在优化泛化性能。MADAug 通过模型自适应策略在训练阶段选择每个输入图像的增强操作，构建逐步优化的数据增强课程。在多个图像分类任务中，MADAug 在性能上超过或与其他基线方法相媲美，并且在所有类别中都能带来改进，特别是对于难分类的类别。此外，MADAug 的策略在转移到细粒度数据集时表现更好，逐渐引入越来越大的扰动，并自然地形成一个从简单到困难的课程。

Sep, 2023

交通分类的数据增强

数据增强（DA）在计算机视觉（CV）和自然语言处理（NLP）领域被广泛采用以提高模型性能，然而在网络环境中，尤其是在流量分类（TC）任务中，数据增强一直存在问题。本文通过对 3 个 TC 数据集使用数据包时间序列作为输入表示，并考虑多种训练条件，基准测试了 18 种增强函数，结果显示（i）DA 可以获得以前未探索的优势，（ii）基于时间序列顺序和掩码的增强函数更适用于 TC，（iii）简单的潜在空间分析可以提供有关增强效果的线索。

Jan, 2024