几何数据增强技术在花粉分类从显微图像中消除分布偏移中的应用

Nov, 2023

几何数据增强技术在花粉分类从显微图像中消除分布偏移中的应用

Geometric Data Augmentations to Mitigate Distribution Shifts in Pollen Classification from Microscopic Images

Nam Cao, Olga Saukh

TL;DR该论文研究了在野外使用低成本相机传感器对显微图像中的花粉粒子进行分类时的分布漂移问题，提出了两种新的几何图像增强技术，通过平衡形状和纹理信息并去除干扰细节，显著缩小了训练集和测试集上模型性能的准确性差距，经过多种模型架构的广泛评估，这些几何增强技术相对于一系列标准图像增强可提高模型对野外数据的泛化能力最高达 14%。

Abstract

Distribution shifts are characterized by differences between the training and test data distributions. They can significantly reduce the accuracy of machine learning models deployed in real-world scenarios. This paper explores the distribution shift problem when classifying

distribution shift pollen grains geometric features image augmentation model generalization

发现论文，激发创造

稳健性的多重面貌：对于越界泛化的关键分析

本研究介绍了四个新的现实世界分布变化数据集，重点探讨了先前提出的改进模型鲁棒性方法，并测试了它们的有效性。我们发现使用更大的模型和人工数据增强可以提高真实世界分布变化的鲁棒性，这与之前的研究不同。我们的研究结果表明，未来的研究必须同时研究多个分布变化，因为我们证明评估的方法不能始终提高模型的鲁棒性。

Jun, 2020

基于数据增强的叶片分割和计数技术在玫瑰植物中的应用

本文介绍了一种用于在农业自动化领域中实现自动视觉检查的叶片计数和分割分析方法，该方法使用数据增强来训练深度神经网络，取得了在标准基准测试中最先进的结果，即由植物表型学的计算机视觉难题托管的叶片分割竞赛。

Mar, 2019

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

组织病理学中基于现实数据丰富的强健图像分割

通过扩充临床数据集中的少数样本，提高机器学习模型稳定性的一种新方法 —— 基于扩散模型的图像生成方法，可以生成与真实图像难以区分的组织病理学图像。

Apr, 2023

基于类别的微分同胚数据分布学习增强数据

该研究提出了一种使用概率生成模型的方法，通过对图像进行变换来生成新的观测值，以取代手动指定数据增强的方法，以提高深度神经网络的训练性能。

Oct, 2015

计算机视觉中模型鲁棒性的傅里叶视角

计算机视觉中，通过数据增强方式可以提高鲁棒性，但增加高斯数据增强和对抗训练等方法并不能保证所有的污染类型都能同样得到提高，因此需要使用更多样的数据增强方式来缓解这些折衷。最近提出的 AutoAugment 方法在清晰精度和鲁棒性方面均得到了最佳表现。

Jun, 2019

图像分类模型自然分布偏移鲁棒性测量

本研究评估了 204 个 ImageNet 模型在 213 个不同的测试条件下的表现，发现大多数当前技术无法提供对真实数据中分布变化的健壮性，唯一例外的是在较大且更多样化的数据集上进行训练可以在多种情况下提高健壮性，并且我们的研究表明当前真实数据中的分布变化是一个开放的问题。

Jul, 2020

针对植物应激分类的类别特定数据增强

基于遗传算法提出的自动化类别特定数据增强方法对大豆叶片应激分类任务表现出良好的性能，是一种在混淆数据集环境下植物应激分类领域中数据增强策略的重要进展。

Jun, 2024

关于形状偏差、准确性和鲁棒性之间关系的澄清

通过评估 39 种数据增强类型对广泛使用的 OOD 数据集的影响，证明了每种数据增强对模型对 OOD 数据的鲁棒性的影响，并进一步证明了所述假设不成立；形状偏差的增加不一定导致更高的 OOD 鲁棒性。通过分析结果，还发现 ImageNet-1K 数据集中的一些偏差可以通过适当的数据增强来减小。我们的评估结果进一步表明，域内准确性和 OOD 鲁棒性之间不一定存在权衡，选择适当的增强方法可以同时提高域内准确性和 OOD 鲁棒性。

Jun, 2024

针对图像转换集的模型易受分布偏移漏洞的解决方案

本研究探讨计算机视觉模型对分布变化的脆弱性，并通过组合优化问题和标准搜索算法寻求这些模型容易受到哪些图像转换的影响。我们通过新的数据增强方法，根据模型容易受到影响的图像变换来训练更加强健模型。实证评估表明，所设计的算法对保持图像内容的操作和分布变化等可以相对更强健。

Mar, 2019