Mar, 2024

混合变音多标签分类稀有无尾两栖动物声音

PDF
TL;DR通过引入 Mixture of Mixups（Mix2）框架，利用混合正则化方法 Mixup、Manifold Mixup 和 MultiMix，本文针对多标签不平衡分类的挑战，特别关注在包含类别不平衡和多标签示例的 AnuraSet 数据集中对无尾两栖物种声音进行分类。实验结果表明，这些方法单独使用可能导致次优结果，但在每次训练迭代中随机选择一个方法应用时，它们证明在解决上述挑战方面非常有效，特别适用于少数出现的稀有类别。进一步分析显示，Mix2 还能高效分类在不同类别共现水平的声音。
multi-label imbalanced classificationbioacousticsanuran species soundsmixture of mixupsclass co-occurrences
发现论文，激发创造
  • Remix：重平衡的混合数据增强方法

    本文提出了一种名为 Remix 的新的正则化技术，它在深度图像分类器的分类不平衡的情况下可以使得深度图像分类器表现更好，并在多组实验中证实了 Remix 相较于现有的 Mixup、Manifold Mixup 和 CutMix 等算法在这个问题上的优越性。

    Jul, 2020

  • AutoMix: 揭示 Mixup 的强大分类器之力

    该论文提出了一种自动混合框架 ——AutoMix，它将混合分类分为两个子任务，并使用相应的子网络在双层优化框架中解决。AutoMix 在 9 个图像基准上的广泛实验表明，在各种分类场景和下游任务中，其优越性超过了现有技术。

    Mar, 2021

  • 高度不平衡医学图像分类的平衡 MixUp

    提出一种基于 MixUp 正则化技术的平衡采样机制，称为 Balanced-MixUp，可以同时对训练数据进行正常（基于实例）和平衡（基于类）采样，使神经网络可以有效地学习高度不平衡的医学图像分类数据集。实验结果表明，Balanced-MixUp 优于其他常规采样方案和针对不平衡数据设计的损失函数。

    Sep, 2021

  • Annot-Mix: 通过 Mixup 扩展从多个注释者的嘈杂标签中学习

    噪声类标签训练影响神经网络的泛化性能，提出了一种基于多注释者分类框架 annot-mix 的 mixup 扩展方法，可以处理每个实例的多个类标签，并考虑类标签的注释者来源，优于现有的八种方法，并在使用人类或模拟注释者提供的十一个数据集上表现出色。

    May, 2024

  • RankMixup: 基于排名的 Mixup 网络校准训练

    RankMixup 是一种基于混合的框架，通过 Ordinal Ranking Relationship 实现网络校准，通过混合系数和置信度之间的顺序关系来提高校准能力，并减少混合标签的问题。

    Aug, 2023

  • 关于 Mixup 正则化

    本论文研究数据增广技术 Mixup 的理论基础，指出 Mixup 可被解释为标准经验风险最小化估计器，通过数据转换和随机扰动来实现。该方法在测试时能够提高分类器性能，同时还获得了自校准和有效的正则化效果，以防止过度拟合和过度自信的预测。

    Jun, 2020

  • 多标签分类的鲁棒性：对抗不平衡和噪声的数据增强策略

    我们提出了一种统一的数据增强方法 BalanceMix，用于解决多标签分类中的类别不平衡和噪声问题。我们的方法包括两个样本策略，用于生成具有高多样性的少数类增强样本。它还在标签粒度上对多标签进行细分，将噪声标签归类为清晰、重新标记或不确定，以实现鲁棒优化。在三个基准数据集上进行的大量实验表明，BalanceMix 优于现有的最先进方法。我们在此 https 的网址上发布了代码。

    Dec, 2023

  • 全局混合：通过聚类消除歧义

    提出基于全局聚类关系的新型数据扩增方法 ——Global Mixup，其中通过将先前的一阶段扩增过程分解为两阶段，从而将生成虚拟样本的过程与标记过程分离，并根据生成样本的全局关系计算子集对生成样本的标签重新标记，从而在更大的采样空间中生成更可靠的虚拟样本。在 CNN、LSTM 和 BERT 上的五项任务的广泛实验表明，Global Mixup 明显优于现有最新技术基线。

    Jun, 2022

  • MixUp 作为局部线性域外正则化

    本文提出混合增强数据方法 MixUp 的一种新的视角 ——“out-of-manifold regularization”，并发现了其存在的 “manifold intrusion” 问题，提出了一种新的自适应正则化方法 AdaMixUp，并通过实验验证了 AdaMixUp 的优越性。

    Sep, 2018

  • 声学特征融合用于平衡多方面发音评估

    本文提出了两种声学特征混合策略，线性和非线性插值与批次平均特征相结合，以解决非母语学习者语音数据稀缺和得分标签不平衡的问题。通过将发音准确性作为声学特征，我们改进了设计以适应发音评估，同时结合细粒度的错误率特征，通过将语音识别结果与原始答案音素进行比较，直接提供发音错误的提示。声学特征的有效混合显著提高了 speechocean762 数据集上的整体评分性能，详细分析突显了我们预测未见扭曲的潜力。

    Jun, 2024