Jun, 2023

旋转增强技术：图像分类集成学习的新视角

PDF
TL;DR本研究提出了一种新方法，在原始数据集上进行基于旋转的数据增强， 使用集成学习系统确定增强阶段获取的每个子集中最可靠的结果，以获得每个原始图像的最终预测并发现使用基于集成的投票系统比简单投票方法产生更准确的结果。
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

  • 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

  • 面向类不平衡问题的集成学习和数据增强模型综述：组合、实现与评价

    本文通过对 10 种数据增强方法和 10 种集成学习方法在不平衡数据集上的计算机评估，提出了一种通用框架，从而确定数据增强与集成学习的最佳组合，以显著提高不平衡数据集的分类性能。

    Apr, 2023

  • 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

  • 基于深度学习的无线电调制分类数据增强

    本研究使用卷积神经网络进行无线电信号中的调制分类，结果表明，旋转和翻转数据增强方法的联合效果比使用所有训练集数据的基准分类器更好，并且它可以通过更少的训练数据让分类更加准确。同时，数据增强还可以使用更短的无线电样本进行分类，从而简化深度学习模型并缩短分类响应时间。

    Dec, 2019

  • 图像数据增强方法综述及未来方向

    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。

    Jan, 2023

  • 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

  • 配对样本增强图像分类数据

    本文提出了一种名为 SamplePairing 的数据增强技术，通过随机选择训练数据中的另一幅图像，来合成一张新的图像样本。实验表明，该技术在图像分类任务中能够显著提高分类精度，并且在训练样本数较少的任务中，表现更为突出。

    Jan, 2018

  • 扩散模型在有效数据增强中的应用

    通过使用图像转图像的方法、以及预训练的文本到图像扩散模型将其参数化，解决了数据扩增过程中具有高级语义标注的动物种类等属性缺乏多样性的问题，并在少样本情境和杂草识别任务中得到实际应用。

    Feb, 2023