Mar, 2024

图像变视频：通过图像转视频的可微分自动增强和融合重塑感受野

PDF
TL;DR本文提出了一种利用自动数据增强技术进行图像分类和语义分割任务的新方法，称为 Differentiable Augmentation Search (DAS)，通过生成可作为视频处理的图像变化，DAS 可以在极短的时间内搜索非常大的搜索空间，且相比标准的数据增强方法，在不同的轻量级视频骨干网络上取得更高的准确性。
deep learningdata augmentationimage classificationsemantic segmentationdifferentiable augmentation search
发现论文，激发创造
  • 提高视频利用效率：一种更新的领域自适应视频分割基线

    对于语义分割的无监督域自适应（DAS）的研究已经很丰富，本文通过比较图像和视频领域的 DAS 方法在一系列基准数据集上的表现，发现了一些有趣的现象并开源了相应的代码库。

    Feb, 2024

  • 直接可微增强搜索

    本研究使用基于 AutoML 的技术提出了一种高效的可微分搜索算法，称为 DDAS，它能够在图像分类基准测试上取得与 AutoAugment 可比的性能，同时大大降低了搜索成本。

    Apr, 2021

  • DAS：一种用于捕获 CNN 中显著信息的变形注意力方法

    DAS 是一种快速且简单的全卷积方法，通过使用可变形卷积进行图片中相关区域的定位和可分离卷积实现高效，结合了现有 CNN 并通过门控机制传播相关信息，展示了在图像分类和目标检测领域，DAS 相较于其他 CNN 注意机制在减少 FLOPs 的同时取得了更好的性能提升（如在狗类数据集 Stanford Dogs 中提升了 4.47%，ImageNet 中提升了 1.91%，COCO AP 中提升了 3.3%）

    Nov, 2023

  • 对抗自动数据增强

    通过使用对抗性方法，Adversarial AutoAugment 能够通过同时优化目标相关对象和数据增强策略搜索损失，以便更快且更有效率地完成深度神经网络的训练及图像分类任务，从而将计算成本减少 12 倍，时间开销减少 11 倍，达到了最佳的实验成果。

    Dec, 2019

  • DADA: 可微分自动数据增强

    本研究提出 Differentiable Automatic Data Augmentation (DADA) 算法，使用 Gumbel-Softmax 方法实现对离散的数据增强方法的选择，引入 RELAX 无偏梯度估计方法，提高了数据增强策略的学习效率。在 CIFAR-10、CIFAR-100、SVHN 和 ImageNet 数据集上的实验证明了该算法在达到同等精度的情况下，比现有最先进算法至少快一个数量级。同时，研究还证明了自动数据增强在预训练方面的价值。

    Mar, 2020

  • 图像数据增强中的类别特定偏差数据驱动方法

    数据增强可以增强计算机视觉模型的泛化能力，但可能引入偏差，不均匀地影响类别准确性。我们的研究扩展了这一调查，通过随机裁剪考察了数据增强在不同数据集上的类别特定偏差，包括那些与 ImageNet 不同的数据集。我们使用 ResNet50、EfficientNetV2S 和 SWIN ViT 评估了这一现象，发现残差模型显示了类似的偏差效果，而视觉变换器表现出更高的稳健性或不同的动态变化。这表明在模型选择上需要一种细致入微的方法，强调偏差缓解。我们还改进了 “数据增强稳健性侦查” 方法，以更高效地管理数据增强引起的偏差，显著减少了计算需求（只需训练 112 个模型而不是 1860 个，减少了 16.2 倍），同时仍能捕捉到重要的偏差趋势。

    Mar, 2024

  • 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

  • 使用反向传播学习增强策略的更快自动增强

    本文提出了一种可微分的策略搜索方法，用于数据增强，该方法比之前的方法更快，使用的是离散参数变换的近似梯度和可分辨操作选择机制。我们的方法通过最小化增强数据与原始数据之间的分布距离来优化，比之前的工作实现了显著更快的搜索，而不会出现性能下降。

    Nov, 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

  • 通过数据增强学习具有时间不变性和可定位特征的视频识别

    本研究基于深度学习和视觉归纳先验，提出一种在视频数据上进行时空数据扩充与学习的方法，即 “时序扩充”，以提高视频识别性能和鲁棒性。通过这种方法，能够在更少的训练数据上，实现超越空间扩充算法的识别效果，并实现无法用空间算法实现的时序本地化特征学习。

    Aug, 2020