Data Augmentation 技术调研

1) Imagenet classification with deep convolutional neural networks, (papers.nips.cc/paper/48) 本文中提出可以针对已有的图片数据进行一些变换,比如剪切,翻转,旋转等操作,从而自动地扩充训练数据。缺点是整个过程是在已有的训练数据上进行的。


2) Data Augmentation Generative Adversarial Networks,(arxiv.org/pdf/1711.0434) 本文提出了一种基于GAN的Data Augmentation Method。可以训练一个GAN,以已有的数据作为输入,生成新的与输入属于同一类的数据。


3) Low-Shot Learning from Imaginary Data, (arxiv.org/pdf/1801.0540)
本文针对图像数据,提出了一种基于meta learning的方法,可以自动产生额外的训练数据帮助训练。


4) Image Style Transfer using Convolutional Neural Networks (cv-foundation.org/opena) 本文提出了 style transfer的方法,可以将已有风格的数据变换为其它的风格,可以用来扩大训练数据的规模。


5) Synthetic data augmentation using GAN for improved liver lesion classification (arxiv.org/pdf/1801.0238) 本文利用GAN,可以自动的生成医学图像,比如CT影片。


6) Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks (junyanz.github.io/Cycle)
基于GAN,可以自动的利用domain X的图片生成domain Y的图片。


7) DeLiGAN : Generative Adversarial Networks for Diverse and Limited Data arxiv.org/pdf/1706.0207
本文提出了一种新的GAN模型,当训练数据比较少的时候,可以有效的生成高质量的数据。


8) Megapixel Size Image Creation using Generative Adversarial Networks arxiv.org/pdf/1706.0008)本文提出了一种新的GAN 变种,可以生成高分辨率的图片数据。


9) The Effectiveness of Data Augmentation in Image Classification using Deep Learning cs231n.stanford.edu/rep
本文比较了多种data augmentation的方法,发现传统的对数据进行翻转、裁剪的方法和Cycle GAN的方法效果表现最好。同时本文提出可以训练一个神经网络来自动地根据最后的分类器选择表现最好的data augmentation方法。

编辑于 2018-07-31

文章被以下专栏收录