Jan, 2024

有效课程学习中改进数据增强以提升鲁棒视觉问答

PDF
TL;DR通过引入有效课程学习策略（ECL）来提高基于数据增强的视觉问答（VQA）方法，以缓解语言偏见，并通过生成额外的训练样本超出原始样本帮助消除偏见。与整个增强数据集的训练相比，我们的 ECL 策略可以通过使用更少的训练样本来进一步提高 VQA 模型的性能。
visual question answeringdata augmentationlanguage biasescurriculum learning strategymodel performance
发现论文，激发创造
  • 重新思考数据增强对于强健的视觉问答的影响

    提出了一种基于知识蒸馏的数据增强方法 KDDAug，通过放宽合理图像 - 问题匹配的要求，并设计了一个知识蒸馏（KD）策略生成所有生成的图像 - 问题对的伪答案，从而增强图像的数据集，以提高视觉问答（VQA）模型的泛化性能。

    Jul, 2022

  • 学习更少，学得更好：有效增强对视觉强化学习的样本效率

    本文探究了数据增强技术在视觉强化学习中的有效性，研究数据增强的相关特征对样本效率的影响并提出了新的操作方法 Random PadResize 和循环增强（Cycling Augmentation）以提高样本利用效率。在 DeepMind 控制套件和 CARLA 驾驶模拟器上的广泛评估表明，与先前的最先进方法相比，我们的方法实现了更好的样本效率。

    May, 2023

  • 视觉强化学习中数据增强的全面调查

    本文提供了关于数据扩增在视觉强化学习中应用的广泛评论。作者提出了一个统一的框架，研究了数据扩增技术在视觉强化学习中的作用，并提供了一些方法来更好地利用扩增数据。最后，作者还通过系统的实证评估，总结了本文的研究内容及未来研究工作的展望。

    Oct, 2022

  • 对话人工智能的数据增强

    对话系统中的数据扩充方法提供了关键的方法来解决数据稀缺问题，并探讨了对话系统中的生成、评估等任务中的挑战与未来方向。

    Sep, 2023

  • 自然语言处理中的数据增强方法综述

    本文综述了数据增强的三个类别：释义、加噪和采样，以及在 NLP 中的应用和挑战。

    Oct, 2021

  • 当明智选择时，更多的数据就是你需要的：一种通用的样本有效策略用于数据增强

    本文提出了一种名为 Glitter 的通用数据增强技术，该技术可以自适应地选择最麻烦的样本并通过优化它们来提高样本效率，从而使深度神经网络在训练过程中不会牺牲性能。

    Mar, 2022

  • 生物医学事实型问题回答的数据增强

    本文研究七种数据扩增方法在事实型问题回答中的作用，着重于生物医学领域以及数据难以获得的情况。作者从 BioASQ 挑战赛中获取数据，然后通过人工智能技术和其他方法进行扩增。实验证明，即使在使用大型预训练模型时，数据扩增也会带来非常显著的性能提升，其中以基于 word2vec 的词汇替换为最佳方法。作者最终公开了其代码和人工训练数据集。

    Apr, 2022

  • 通过新颖数据增强和课程学习提高对比学习效率

    EfficientCL 是一种内存高效的持续预训练方法，通过对比学习和新颖的数据增强和课程学习来实现。在 GLUE 基准测试上，与基准模型相比，该模型的表现更好，尤其是在句子级任务上，并且只需要与基准模型相比仅有 70% 的计算内存。

    Sep, 2021

  • 视频问答任务的数据增强技术

    我们的研究专注于自我中心视频问答，提出了增强技术以解决过拟合问题，实验结果在 EgoVQA 数据集上比基准结果提高了 5.5% 的准确率。

    Aug, 2020

  • 视觉问答的语义等效对抗数据增强

    通过生成对抗样本，解决语义结构中图片翻转等处理困难的问题，提高了视觉问答 (Visual Question Answering) 模型的性能和抗对抗攻击的能力。

    Jul, 2020