AugmentTRAJ:基于点的轨迹数据增强框架
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
这篇论文提出了 PointAugment 自动增强框架,使用对抗性学习策略自动优化和增强点云样本以增加数据多样性,在形状分类方面取得良好表现。
Feb, 2020
我们提出了一种轨迹增强方法,旨在通过几何变换将位于同一簇中的轨迹组合起来,与专家轨迹数据保持相似性,从而创建新的轨迹。这些增强的轨迹被加入训练数据集中,在满足指定的安全相关标准的前提下。我们的实验证明,使用这些增强轨迹来训练仿真学习模型可以显著提高闭环性能。
Apr, 2024
本文使用 3D 仿真数据进行预测未来人物轨迹,提出了一种通过增加仿真数据以学习鲁棒表示的新方法,可以更好地推广到未见过的真实数据,并在三个真实世界基准下实现了有希望的结果并在 Stanford Drone 和 the VIRAT/ActEV 数据集中取得了最先进的表现。
Apr, 2020
基于大规模真实人类轨迹数据集,该研究提出了 trajdata,以提供一个统一的界面和 API,用于训练和评估人类轨迹预测方法,从而加深对当前行人和自动驾驶运动预测研究的数据基础的理解,并提出了未来数据集的建议。
Jul, 2023
本文提出了一种新的文本图像增强方法,使用自定义的参考点来生成更适合训练识别网络的样本,并通过联合学习框架优化训练过程,实验证明该方法显著提高了识别网络的性能。
Mar, 2020
本研究通过验证在特征空间中使用主要流形分布相对于高斯分布的理论和实际优势,提出了一种新颖的轨迹感知主要流形框架,用于恢复流形骨干并沿特定轨迹生成样本。此外,通过引入一个内在维度正则化项,该框架能够使流形更紧凑,并实现少样本图像生成。实验结果表明,该框架能够提取更紧凑的流形表示,提高分类准确性,并在少样本之间生成平滑的变换。
Jul, 2023
提出了 AdapTraj,一种特定于多智能体轨迹预测任务的多源域泛化框架,可以显著优于其他基线模型,通过显式建模四种特征类型来解决负迁移和外部因素建模不足的问题。
Dec, 2023
UniTraj 是一个统一各种数据集、模型和评估标准的综合框架,通过扩大数据规模和多样性可以显著提高车辆轨迹预测模型的性能,并且在 nuScenes 数据集上取得了最新的最佳结果。
Mar, 2024
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。
Nov, 2023