Nov, 2023

三维点云分类和分割的测试时间数据增强

PDF
TL;DR本研究探讨了 3D 点云的测试时间数据增强方法，并使用隐式表示和点云上采样技术作为系统化方法，通过从重构结果中采样点并将其用作测试时间增强数据来改进准确性。此方法对于稀疏点云的目标分类和分割等下游任务在 ModelNet40、ShapeNet、ScanObjectNN 和 SemanticKITTI 数据集上表现出更为显著的性能提升。
data augmentation3d deep learningtest-time augmentationpoint cloud upsamplingdownstream tasks
发现论文，激发创造
  • 通过测试时间增强来改进文本分类

    本文提出了一种改进的测试时间增强技术并设计出相应的增强策略，结果表明用于语言模型上的测试时间增强可以显著提高模型的准确性。

    Jun, 2022

  • S$^3$-TTA: 生物医学图像分割中的规模样式选择

    该研究论文提出了一种名为 S$^3$-TTA 的新的测试时间数据增强框架，基于转换一致性指标为每个测试图像选择合适的图像尺度和样式，同时构建了端到端的增强 - 分割联合训练流水线，通过在测试阶段简单增加输入数据，在细胞和肺部分割的公共基准上相对先前的方法分别提升了 3.4% 和 1.3%。

    Oct, 2023

  • 智能多视图测试时间增强

    通过智能测试时间增强 (TTA) 算法，在视角变化的情况下提高图像分类模型的稳健性和准确性，该方法根据预测不确定性指标智能选择最佳增强方法，并通过两个阶段的过程来实现该选择，实验验证证明这种方法可以在多个数据集和神经网络架构上获得平均准确率提高 1.73%，突出了在智能增强策略方面进一步探索的潜力。

    Jun, 2024

  • 基于部件的点云三维物体检测数据增强

    本文提出了基于局部的数据增强方法，即 PA-AUG，可以更好地利用 3D 标签的丰富信息来增强 3D 物体探测器的性能。该方法可用于所有类型的 KITTI 数据集，具有等效的增加训练数据 2.5 倍的效果，并且对损坏的数据也具有鲁棒性。

    Jul, 2020

  • 点云配准的测试时自适应方法：多任务元辅助学习

    我们提出了一种新颖的测试时间自适应框架 (Point-TTA) 用于点云配准 (PCR)，它提高了配准模型的泛化性和性能。我们的模型可以在测试时间适应未知分布，不需要对测试数据有任何先验知识，通过优化主要的 PCR 任务和三个自监督辅助任务来训练模型，实验证明了我们的方法在提高点云配准的泛化性上的有效性并且胜过其他最先进的方法。

    Aug, 2023

  • 在分割中联合优化类别特定的训练和测试时数据增强

    本文提出了一种针对医学图像分割的高效通用数据增强框架，采用了计算效率高且数据效率高的基于梯度的元学习方案，通过使用用于未见测试数据的代理验证数据明确对齐训练和验证数据的分布以改进增广策略。本文通过两个核心设计改进了当前数据增广策略，即在训练时有效学习类别特定的数据增强并联合优化训练时和测试时数据增强，实验证明该方法针对医学图像分割存在的分类不平衡问题，可显著且一致地提高分割效果。

    May, 2023

  • 理解测试时数据增强

    利用数据增强在测试期间产生平均输出的测试时间增强（TTA）是一种非常强大的启发式算法，本文旨在为 TTA 提供理论保证并澄清其行为。

    Feb, 2024

  • 利用元学习进行点云上采样的测试时间调整

    测试时间适应性元学习方法在点云上采样中提高模型性能。

    Aug, 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

  • Real3D-Aug: 3D 检测和分割的点云增强方法 —— 通过放置真实带有遮挡处理的物体

    本文介绍了一种基于数据增强的方法，通过多次利用已有数据，使用现实世界中的数据模拟给点云数据进行物体检测和语义分割训练。此方法在 KITTI 物体检测和 SemanticKITTI 语义分割挑战赛中取得了显著的性能提升。

    Jun, 2022