政策梯度驱动的噪声遮罩
本文提出了一种蒙版训练的方法,通过遮盖输入图像的随机像素并在训练期间重建丢失的信息,同时遮盖自注意力层中的特征以避免训练 - 测试不一致性的影响,从而提高了去噪网络的泛化能力。
Mar, 2023
提出了深度强化学习框架 Adversarial Policy Gradient Augmentation (APGA),利用语义分割进行图像增强,实验表明该方法在医学图像分类任务中有较好的表现。
Sep, 2019
该论文提出了一种基于无标签干扰数据集训练深度卷积神经网络的新型框架,并使用一个无向图模型来描述干净和嘈杂标签之间的关系,在监督学习过程中学习这个模型。该模型在图像标注问题上应用,并在 CIFAR-10 和 MS COCO 数据集上展示出有效的标注效果和在训练中实现了减少标签噪声的效果。
May, 2017
本研究分析了不同噪声模型及其强度对卷积神经网络的影响,通过结构相似度(SSIM)度量给出相同大小的噪声模型来进行比较,提出了一些新的启发式策略和建议,可以优化图像分类的最优学习过程。
Jul, 2023
该研究提出了一项简单的数据增强技术,可以应用于标准的无模型强化学习算法,从像素直接学习,无需辅助损失或预训练,并使用图像处理来规范化值函数,实现与 DeepMind 控制套件相关的现有模型的最高表现。
Apr, 2020
这篇论文提出了一种基于 Bayesian 模型的 dropout 正则化方法,该方法将噪声注入神经元输出中以提供结构化稀疏性,从而去除计算图中的低 SNR 元素,并在多个深度神经结构中实现了显著的加速。
May, 2017
该论文提出了一种名为 CutMix 的数据增强策略,该策略结合了区域 dropout 策略和图像贴图技巧,其旨在提高卷积神经网络的分类性能,改善对象定位和提高网络的鲁棒性。实验结果显示,CutMix 方法在 ImageNet 数据集上的分类任务中能够持续地超越当前领先的数据增强方法,同时还能提高由其预训练的分类器在 Pascal 检测和 MSCOCO 图像字幕生成等任务中的表现。
May, 2019
本文提出了一种 Parametric-Noise Injection (PNI) 技术,使用可训练的高斯噪声注入到神经网络的不同层中,解决 min-max 优化问题,通过对抗训练来提高网络的鲁棒性,实验表明该方法能有效提高对抗攻击下的网络鲁棒性。
Nov, 2018