IPMix：用于训练鲁棒分类器的标签保持数据增强方法

Oct, 2023

IPMix：用于训练鲁棒分类器的标签保持数据增强方法

IPMix: Label-Preserving Data Augmentation Method for Training Robust Classifiers

Zhenglin Huang, Xianan Bao, Na Zhang, Qingqi Zhang, Xiaomei Tu...

TL;DRIPMix 提供了一种简单且可用于提高神经网络的鲁棒性的数据增强方法，通过整合图像级、补丁级和像素级三层数据增强，并引入结构复杂性和随机混合方法以扩大训练数据的多样性，实现在多个评估参数上的优越性能。

Abstract

data augmentation has been proven effective for training high-accuracy convolutional neural network classifiers by preventing overfitting. However, building deep neural networks in real-world scenarios requires n

data augmentation convolutional neural network robustness ipmix diversity of training data

发现论文，激发创造

AugMix：一个简单的数据处理方法，用于提高鲁棒性和不确定性

本文提出了一种名为 AugMix 的数据处理技术，该技术对图像分类器的鲁棒性和不确定性估计有显著的提高，这有助于模型抵御在部署过程中遇到的意外破坏。

Dec, 2019

CutMix: 用可定位特征的正则化策略训练强分类器

该论文提出了一种名为 CutMix 的数据增强策略，该策略结合了区域 dropout 策略和图像贴图技巧，其旨在提高卷积神经网络的分类性能，改善对象定位和提高网络的鲁棒性。实验结果显示，CutMix 方法在 ImageNet 数据集上的分类任务中能够持续地超越当前领先的数据增强方法，同时还能提高由其预训练的分类器在 Pascal 检测和 MSCOCO 图像字幕生成等任务中的表现。

May, 2019

ResizeMix：混合数据以保留对象信息和真实标签

通过研究发现，基于图像显著性信息的数据混合并不一定对增强性能有太大帮助，采用更有效、更易于实现的 ResizeMix 方法进行数据混合比 CutMix 和基于显著性信息的方法更具优势。

Dec, 2020

DiffuseMix：保持标签的扩充数据方法与扩散模型

最近，引入了一些基于图像混合的数据增强技术来改善深度神经网络的泛化能力。我们提出了一种名为 DiffuseMix 的新型数据增强技术，该技术利用扩散模型重塑训练图像，并使用我们量身定制的条件提示进行监督。DiffuseMix 在包括一般分类、细粒度分类、微调、数据稀缺性和对抗鲁棒性等任务上相较于现有最先进的方法取得了优越性能。

Apr, 2024

ContextMix: 一种用于工业视觉检测系统的上下文感知数据增强方法

深度神经网络在工业制造环境中，数据增强成为了缓解过拟合和提升网络性能的关键策略。我们提出了一种针对工业应用和基准数据集的方法 ContextMix，通过调整图片大小并将其整合到批次中的其他图片中，生成新的数据。该方法在性能上超过了现有的增强技术，并在公共基准数据集上的分类、检测和分割任务中展示了改进的结果。在真实的工业环境中，我们的方法表现出了显著的效果，尤其是在被动元件数据集上。

Jan, 2024

Robustmix: 通过正则化深度网路频率偏差提高鲁棒性

本研究提出一种名为 Robustmix 的新型混合扩充方法，通过正则化网络以分类基于较低频空间特征。结果表明，这种正则化方法在诸如 Imagenet-C 和 Styleized ImageNet 等多个测验中提高了网络的鲁棒性，且有利于有效减少计算负荷。使用 EfficientNet-B8 模型和 RandAugment 方法获得了最先进的 mCE 达到 44.8，比基准线降低 16 mCE。

Apr, 2023

数据插值预测: Mixup 的替代解释

提出了 Data Interpolating Prediction（DIP）框架，将样本混合过程与分类器的假设类封装在一起，从而使训练和测试样本受到平等对待，进而帮助降低 Rademacher 复杂度并减少泛化误差。DIP 在实证上表现比 Mixup 更优。

Jun, 2019

使用随机图像裁剪与拼接进行深度 CNN 的数据增强

本文提出新的数据增强技术 RICAP，通过随机裁剪四张图像并混合其标签来创造新的训练图像，用于防止过拟合，且与当前最先进 CNNs 相比，RICAP 在 CIFAR-10 等数据集上取得了新的最先进的测试误差，同时也在其他分类任务和图像字幕检索任务中取得更好的结果。

Nov, 2018

DoubleMix: 简单的基于插值的数据增强方法用于文本分类

提出了一种名为 DoubleMix 的插值数据增强方法，通过合成的数据集和原始数据集在神经模型的隐藏空间中进行插值，以及学习隐藏空间中的 “偏移” 特征来提高模型的鲁棒性，在六个文本分类基准数据集上，该方法优于几种流行的文本增强技术，同时在低资源情况下也能保持性能的提升。

Sep, 2022

SuperMix：混合数据增强的监督

本文提出了一种监督式混合增强方法 SuperMix，使用牛顿迭代方法来提高效率，在对象分类和知识蒸馏任务中通过广泛的评估和消融研究验证了其有效性，将混合图像纳入蒸馏目标可显著提高结果。

Mar, 2020