【论文阅读】DivAug: Plug-in Automated Data Augmentation with Explicit Diversity Maximization

最新推荐文章于 2022-05-09 11:25:04 发布
最新推荐文章于 2022-05-09 11:25:04 发布
阅读量290 收藏 1
点赞数
分类专栏： 个人总结 文章标签： 数据增广
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/csdn609387481/article/details/121180222
版权

论文概要

作者提出，增广算法是通过增加图片数据集的多样性来提高算法的效果，但是有两个影响多样性的因素一直没有被人提及，分别是多样性的定义以及多样性与正则化效应的量化关系。作者提出了Variance Diversity来度量多样性，并证明了Variance Diversity是影响数据增广的正则化效应效果的因素。同时，作者还提出了一个基于采样的非监督增广框架DivAug，通过最大化Variance Diversity来提升增广的效果。

搜索空间

论文沿用了AutoAugment中的搜索空间，定义了16种基础的图片处理操作：Sharpness, ShearX/Y, TranslateX/Y, Rotate, AutoContrast, Invert, Equalize, Solarize, Posterize, Color, Brightness, Cutout, Sample Pairing, and Contrast.并定义：
在这里插入图片描述
表示用p的概率以m的程度系数对输入图片x进行op操作，其中op是16种操作之一。
而在以往的自动增广方法中，每两个op操作组成一个sub-policy，一共有25种不同的候选sub-policy，以往的自动增广方法在这25种方法种排序，取最终的5种sub-policy组成最终的final policy。final-policy在整个训练过程中会不断变化，而对于每个batch的图片，只有一个sub-policy会被应用到图片中。
本文的搜索空间基本和上述说的一样，除了有两个不同的地方：（1）p和m被设定为0-1之间的值（2）候选的sub-policy不止25种，而是所有可能的集合。

数据增广的正则化效应

橙子爱吃蛋
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
【论文阅读笔记】NeurIPS2020文章列表Part2
zincrain的博客
12-09 5905
Online Multitask Learning with Long-Term Memory Fewer is More: A Deep Graph Metric Learning Perspective Using Fewer Proxies Adaptive Graph Convolutional Recurrent Network for Traffic Forecasting On Reward-Free Reinforcement Learning with Linear Function A.
[CVPR-20] Randaugment: Practical automated data augmentation with a reduced search space
qq_40731332的博客
07-07 851
Randaugment: Practical automated data augmentation with a reduced search space 摘要 自动搜索数据增强策略有着庞大且离散的搜索空间，AutoAugment的解决方法是在小规模proxy task上搜索，但proxy task和actual task之间的gap还未解决； previous work需要独立搜索每个operation的强度和概率，本文发现可以只搜索一个强度，用它同时控制所有operations； 在CIF
自动数据增强论文及算法解读（附代码）
Wenrui Xie的博客
05-09 1244
论文题目 AutoAugment: Learning AugmentationStrategies from Data 代码：https://github.com/DeepVoltaire/AutoAugment Abstract 数据增强是提高图像分类器精度的有效技术。但是当前的数据增强实现是手工设计的。在本论文中，我们提出了AutoAugment来自动搜索改进数据增强策略。我们设计了一个搜索空间，其中一个策略由许多子策略组成，每个小批量的每个图像随机选择一个子策略。子策略由两个操.
RandAugment: Practical automated data augmentation with a reduced search space
qq_42738654的博客
01-03 4632
论文名称：RandAugment: Practical automated data augmentation with a reduced search space (实用的减少搜索空间的数据增强手段) 论文目的： 1.本文提出了一种数据增强手段，减少了以往autoaugment需要大量的搜索空间。 2.以往autoaugment需要根据数据集大小，模型种类来调整正则化强度，现在用本文的方法可...
常见的数据增强项目和论文介绍
AI 算法笔记
02-27 3092
点击上方“算法猿的成长“，关注公众号，选择加“星标“或“置顶”总第 121 篇文章，本文大约 1100 字，阅读大约需要 3 分钟在机器学习项目中，数据集对算法模型的性能是有很大的影...
计算机视觉论文-2021-07-13
中科院AI算法工程师的博客
07-13 2748
本专栏是计算机视觉方向论文收集积累，时间：2021年7月13日，来源：paper digest 欢迎关注原创公众号【计算机视觉联盟】，回复【西瓜书手推笔记】可获取我的机器学习纯手推笔记！ 直达笔记地址：机器学习手推笔记（GitHub地址） 1, TITLE:Anatomy-Constrained Contrastive Learning for Synthetic Segmentation Without Ground-truth AUTHORS: Bo Zhou ; Chi Liu ...
CVPR 2021最全论文开放下载！附pdf下载链接！
热门推荐
中科院AI算法工程师的博客
06-18 1万+
CVPR 2021最全论文开放，附所有pdf下载链接！
【ECCV2020】完整论文集part2
TomRen
07-18 7035
ECCV2020 接收论文完整列表 看论文学CV
【论文相关】强化学习：提前看287篇ICLR-2021 "深度强化学习"领域论文得分汇总列表...
fengdu78的博客
11-16 3255
深度强化学习实验室来源：ICLR2021编辑：DeepRL[1]. What Matters for On-Policy Deep Actor-Critic Methods? A Lar...
nlp-data-augmentation：用于NLP的数据增强。 NLP数据增强
02-03
"nlp-data-augmentation-master"这个压缩包很可能是该工具包的源代码仓库，包含所有实现上述功能的代码和示例。用户可以通过阅读文档、安装依赖并运行示例代码，了解如何在自己的项目中应用这些数据增强策略。 总的...
AugGAN-Cross-Domain-Adaptation-with-GAN-based-DataAugmentation:利用生成对抗网络进行车辆检测的高级数据增强
05-15
语义保留图像到图像的翻译使用语义分割助手进行日夜转换图1：日夜风格转换结果比较第一行：SYNTHIA输入图像，第二行：cycle-GAN昼夜输出，第三行：Aug-GAN昼夜输出； 第4行：KITTI输入图像，第5行：cycle-GAN日夜...
GAN-based-data-augmentation-for-improved-hate-speech-detection:SeqGAN数据扩充
03-13
基于GAN的数据增强，可改善仇恨语音检测SeqGAN数据增强用于改善仇恨语音检测，我们将SMOTE过采样方法用作基准。 我们还使用了四个训练有素的分类器-SVM，LSTM，BERT，Logistic回归。要求Tensorflow 1.15.0 Python ...
pam：Photo-z数据AugMentation（PAM）
02-14
为了解决这一问题，数据增强（Data Augmentation）技术被引入，其中PAM（Photo-z Data Augmentation）是一个专门针对Photo-z预测的Python库。 PAM库的设计旨在通过模拟观测条件的变化和天体属性的多样性，增加训练...
transformers-data-augmentation:与“使用预训练的变压器模型进行数据扩充”相关的代码
05-25
与相关的代码论文 代码包含以下数据扩充方法的实现 EDA（基准） 回译（基准） CBERT（基准） BERT Prepend（我们的论文） GPT-2前置（我们的论文） BART前置（我们的论文） 数据集 在本文中，我们使用以下资源...
2019-2020计算机视觉会议议程整理
csdn609387481的博客
09-06 2929
https://jackietseng.github.io/conference_call_for_paper/conferences.html
C++面试整理
csdn609387481的博客
11-07 2823
最近开始准备找实习了，收到某位大佬的指导，说可以上牛客网把相关的面经都刷一遍，记录下考点各个击破。大佬是搞java的，已经把java的刷完了，看了一下觉得很受用，因此也准备刷下c++的。顺带附上大佬的java总结：https://zhuanlan.zhihu.com/p/266362976 ...
深度学习中的指标总结
csdn609387481的博客
10-17 997
对于一个二分类问题，我们定义如下指标： TP：True Positive，即正确预测出的正样本个数 FP：False Positive，即错误预测出的正样本个数（本来是负样本，被我们预测成了正样本） TN：True Negative，即正确预测出的负样本个数 FN：False Negative，即错误预测出的负样本个数（本来是正样本，被我们预测成了负样本） 1.分类： 1）正确率（accuracy） 　　正确率是我们最常见的评价指标，accuracy = （TP+TN）/(P...
【论文阅读】TrivialAugment: Tuning-Free Yet State-of-the-Art Data Augmentation
csdn609387481的博客
11-06 862
文章概要 作者提出了一种极其简单但是有效增广方法：trivialAugment（TA）。trivialAugment随机选取一种简单的图像增广操作作用在一张图片上，再对整个数据集都进行了上述操作后，便得到了新的增广数据集。作者开源了代码，还打包了一个算法包，给用户可以简单的调用包括TA、RA、UA的增广算法。https://github.com/automl/trivialaugment 算法伪代码 感想 这篇论文的算法也真的太简单了。。。。 ...
Influence of Autoencoder-Based Data Augmentation on Deep Learning-Based Wireless Communication
最新发布
03-30
Autoencoder-based data augmentation can have a significant influence on deep learning-based wireless communication systems. By generating additional training data through data augmentation, the performance of deep learning models can be greatly improved. This is particularly important in wireless communication systems, where the availability of large amounts of labeled data is often limited. Autoencoder-based data augmentation techniques can be used to generate synthetic data that is similar to the real-world data. This can help to address the problem of overfitting, where the deep learning model becomes too specialized to the training data and performs poorly on new, unseen data. By increasing the diversity of the training data, the deep learning model is better able to generalize to new data and improve its performance. Furthermore, autoencoder-based data augmentation can also be used to improve the robustness of deep learning models to channel variations and noise. By generating synthetic data that simulates different channel conditions and noise levels, the deep learning model can be trained to be more resilient to these factors. This can result in improved performance in real-world wireless communication scenarios, where channel conditions and noise levels can vary widely. In conclusion, autoencoder-based data augmentation can have a significant influence on deep learning-based wireless communication systems by improving the performance and robustness of deep learning models.

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值