- SGA:一种用于带符号图神经网络的图增强方法
本研究通过使用数据增强技术解决了当前基于 SGNN 的有向图表示学习所面临的稀疏性、不平衡三角形和缺乏附加信息的挑战,并引入了一种新颖的有向图增强框架(SGA),通过 SGNN 模型编码有向图、提取潜在结构信息并评估候选样本,最终改善了多个 - 整张切片多实例学习用于预测腋窝淋巴结转移
使用深度学习来识别乳腺癌患者核心 - 针生物检查图像中腋窝淋巴结转移的状态,并通过评估性能和进行数据增强技术的研究来改进现有的方法。
- 多分辨率融合的全自动颅面测量地标检测
针对侧面头颅 X 射线图片的颅测定点检测在特定牙科疾病诊断中起着关键作用,通过以多个分辨率作为输入整合多种感受野的图像金字塔结构来训练一系列具有不同感受野的模型,其对不同的定点具有不同的检测准确率影响。此外,我们还采用了多种数据增强技术来增 - 自主驾驶中基于模仿的规划器的再思考
基于模仿的驾驶规划者在最近几年取得了相当大的成功。然而,由于缺乏标准化的基准,各种设计的有效性仍然不清楚。新发布的 nuPlan 解决了这个问题,提供了一个大规模的真实世界数据集和一个标准化的闭环基准,以便进行公平比较。利用这个平台,我们对 - 自我监督的单眼深度估计中迈向更好的数据利用
通过使用数据增强技术和细节增强的 DepthNet,该文提出了一种自我监督单目深度估计方法,拓展了训练数据的利用,并在 KITTI、Make3D 和 NYUv2 数据集上实现了最先进的性能。
- 医学影像数据增强的深度学习方法综述
深度生成模型在医学图像增强中的应用和潜力是本综述的重点,旨在通过人工合成更真实多样且符合数据真实分布的数据样本来改善医学图像分析中深度学习算法的性能,涵盖了三种类型的深度生成模型:变分自编码器、生成对抗网络和扩散模型。
- CAISA 在 SemEval-2023 任务 8 中:对因果声明识别中的分类不平衡进行反事实数据增强
使用逆向方法进行动词替换的新颖对抗数据增强技术在医疗赔付领域取得显著效果,可提高少数类的性能表现。
- 影响生物医学 NER 准确度的外在因素
本文研究使用有限的数据,探究语料库标注计划、数据增强技术、半监督学习和 Brill 转换等外在因素,以提高基于 i2b2 2012 临床文本数据集的命名实体识别(NER)模型的性能,结果表明这些方法可以显著将模型的 F1 得分从原始的 73 - ACLGDA:用于关系抽取任务的生成式数据增强技术
本研究提出了一种名为 GDA 的专用增强技术,该技术使用两个互补的模块来保留句子的语义一致性和语法结构,在低资源环境下取得了 2.0%的 F1 改进。
- 寻找适用于说话人分离的强嵌入提取器
通过生成更贴近对话场景的说话人验证评估协议和两种数据增强技术来解决说话人嵌入提取器在多说话人存在时的性能下降问题,实验证明这两种方法都是有效的。
- 基于混合模型的实时情绪识别与预测
本研究提出了一种结合深度卷积神经网络(DCNN)和 Haar Cascade 深度学习架构的混合模型,用于将实时和数字面部图像分类到七种面部表情类别之一。实验结果表明,与其他模型相比,该架构在分类性能上具有显著优势,并且准确率高达 70%, - 基于 Transformer 的多模态信息融合用于面部表情分析
本研究介绍了一种基于多模态特征和 Transformer 的统一框架,用于情感行为分析和表情识别任务,同时运用数据平衡和增强方法进一步提高模型性能。实验证明,该方法在 ABAW3 竞赛中在 EXPR 和 AU 方面排名第一。
- EMNLP虚拟数据增强:一种用于微调预训练模型的稳健通用框架
该论文提出了一种名为 Virtual Data Augmentation(VDA)的数据增强技术,通过基于原始令牌嵌入构建混合多项式来增加语义相关且具有充分多样性的虚拟数据嵌入,其中掩码语言模型保证了语义相关性,高斯噪声提供增强的多样性,并 - 领域特定的僧伽罗语 - 英语 - 泰米尔语统计机器翻译的数据增强和术语整合
本文主要研究针对机器翻译中低资源语种的词汇缺失问题,提出了基于双语词表整合的方法和基于数据增强技术的方法,通过以词干和格标注扩充双语词表词汇以提高 SMT 的准确性,在 Sinhala-English 机器翻译任务中取得了改善。
- 基于神经网络的时间序列分类数据增强实证调查
本论文调研了时间序列数据增强技术及其在神经网络时间序列分类中的应用,其中提出了四种基于变换、模式混合、生成模型和分解方法的方法, 并在 128 个时间序列分类数据集上使用六种不同类型的神经网络对 12 种时间序列数据增强方法进行了实证评估, - 循环神经网络的状态前提筛选
本文提出一种基于学习的方法,用于在大型形式库上选择事实(前提条件)来证明新目标。该方法使用基于循环神经网络的有状态体系结构,结合了数据增强技术,与梯度提升树的基于前提的方法进行比较,表现出更好的性能,解决了许多新问题。
- 贪心策略搜索:用于可学习测试时数据增强的简单基准线
本文介绍了一种名为贪心策略搜索(GPS)的高性能方法,可用于学习数据增强的策略,以提高机器学习模型的预测性能、领域内不确定性估计以及提高对领域转移的鲁棒性分析。
- 学习看见不可见的:端到端可训练的平均实例分割
本文提出了第一个全新的端到端可训练模型,为语义无模态分割预测非实例的遮挡区域,实验结果表明,本模型选择的架构有助于无模态分割,并在 COCO 无模态数据及两个新数据集上均提供了强大的基础性能。
- 使用深度卷积神经网络进行多视角人脸检测
本文提出了一种基于卷积神经网络的 Deep Dense Face Detector (DDFD) 方法,不仅不需要姿态或者地标注释,而且能够探测多个视角下人脸的位置,并且表现出与其他方法相当或优于其他更为复杂的方法。