卫星影像重要用于环境监测和城市规划，本研究探索了一个适用于语义分割的剪切粘贴增强技术，通过利用语义分割标签中的联通组件，从而在训练过程中随机粘贴提取的实例，实验结果表明，这种增强技术显著提升了语义分割模型的平均交并比得分，从 37.9 提升至 44.1，彰显了其在卫星影像中提高模型泛化能力的潜力。

Apr, 2024

该研究旨在构建一个高性能的缺陷检测模型，能够在未有异常数据的情况下检测图像中未知的异常模式。作者提出了一个两阶段框架，使用仅有的正常数据来进行异常检测，第一阶段学习自监督的深度表示，第二阶段建立基于学习表示的生成单类分类器。该方法在 MVTec 异常检测数据集上表现良好，并在学习表示时相较于现有技术提升了 3.1 AUC。作者还通过迁移学习，在 ImageNet 预训练模型基础上实现了 96.6 AUC 的最优表现，并扩展了该框架以从补丁学习和提取表示，无需训练期间标注即可定位损坏区域。

Apr, 2021

本论文针对计算机视觉中重要的挑战之一 —— 构建数据有效且能处理罕见对象类别的实例分割模型，研究了一种使用数据增强方法的 Copy-Paste 方法，并发现简单的随机粘贴对象机制足以提供良好的性能，并且能够与半监督学习方法相结合获得更好的结果。在 COCO 实例分割任务和 LVIS 评测中，该方法均获得了优异的表现。

Dec, 2020

计算机视觉应用中，车辆损伤检测是一个有趣的应用领域，尤其是检测租车前后的图像，需要进行车辆损伤检测和图像对齐两个组件，本文提出了一种新的自监督 Patch-to-Patch SimCLR 方法用于图像对齐。

Mar, 2024

交通安全和道路维护领域中，准确检测道路损伤对确保安全驾驶和延长道路耐久性至关重要。本研究提出了一种创新的方法，利用生成对抗网络生成具有不同形状的损伤，并通过纹理合成技术提取道路纹理，通过控制合成损伤的严重程度，嵌入到原始图像中，从而实现了损伤严重程度的丰富性和与背景的更好对齐，同时提高了 mAP 和 F1-score。

Sep, 2023

本研究通过使用卷积神经网络进行物体检测的最新方法，创建了一个可供公开使用的大型路面损伤数据集，该数据集包含了来自 7 个日本市的 9053 张路面损伤图片，针对这个数据集训练出有较高准确性的路面损伤检测模型，并成功将损伤分为八个类型。

Jan, 2018

本文提出了使用合成数据进行汽车损伤评估的方法，通过训练计算机视觉系统进行图像的部件和损伤分割，并展示了合成数据在部件分割和损伤分割任务中的优势。

Nov, 2023

本文提出了一个增强的道路损伤检测方法，利用 CycleGAN 和改进的 YOLOv5 算法，通过数据增强方法、注意力机制和空洞空间金字塔池化等技术，成功实现了道路损伤的实时、准确检测，并在实际应用中取得了良好结果。

May, 2024

数据增强是提高深度网络性能的有效方法，本文着重研究在超分辨率任务中应用现有增强方法所遇到的挑战，提出 CutBlur 方法来解决空间关系的问题，并在各种情景下显著提高了超分辨率、去噪和压缩去块等低级别视觉任务的性能。

Apr, 2020

通过研究发现，基于图像显著性信息的数据混合并不一定对增强性能有太大帮助，采用更有效、更易于实现的 ResizeMix 方法进行数据混合比 CutMix 和基于显著性信息的方法更具优势。

Dec, 2020