Learning Data Augmentation Strategies for Object Detection

最新推荐文章于 2023-12-03 16:43:43 发布
原创 最新推荐文章于 2023-12-03 16:43:43 发布 · 493 阅读 · 3 ·
CC 4.0 BY-SA版权
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。
文章标签：

#数据增强 #Learning Data Augmentation Str

作者将数据增强视为离散优化问题，通过增强学习获得5种数据增强子策略。确定22种操作，划分概率和幅值范围，构建离散搜索空间。使用RNN构建搜索空间，用PPO优化，在COCO数据集选5K张图片训练子模型，还给出具体实现链接。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

只用数据增广就把结果刷到了start of the art

最喜欢这种简单有效的办法

数据增强方法有很多, 作者研究了怎么把这些方法有效的进行组合,.

作者把数据增强看做一个离散优化问题.最后经过增强学习获得了5种数据增强子策略, 每种子策略包含对图像的多种操作, 每种操作有两个超参数(概率, 以及幅值).

过程:

 经过初步实验, 作者确定了22种操作, 把概率(0-1)均匀划分为L(L=6)等分, 幅值均匀M(范围0-10, M=6)等分 , 所以一种子策略的离散搜索空间为(22LM)^2, 5种子策略为22LM)^2^5.

作者使用RNN构建这个优化问题的搜索空间, 采用增强学习, 更新模型的权重参数, 在搜索算法中使用PPO优化.RNN输出30个序列, 表示为5个子策略*2个子操作*3个值(图片变换类型, 概率, 幅值)

作者在COCO数据集中, 选取5K张图片用于训练每一个子模型.

可以直接使用这几种操作~~~

具体实现https://github.com/tensorflow/tpu/blob/master/models/official/detection/utils/autoaugment_utils.py#L15

 

参考:

https://mp.weixin.qq.com/s?__biz=MzUxNjcxMjQxNg==&mid=2247490079&idx=3&sn=8d6f3386dbc1915cacf5e9e7ea4b6aa3&chksm=f9a26890ced5e18623152d307ebeec7f5c9afcc1466c4b3052d261dfe3afec5585c0e4425fdb&mpshare=1&scene=1&srcid=#rd

论文解读 Learning Data Augmentation Strategies for Object Detection
dwilimeth的博客
11-23 649
Google Brain 论文解读 Learning Data Augmentation Strategies for Object Detection
Learning Data Augmentation Strategies for Object Detection（翻译）
qq_37764129的博客
07-05 4230
这个方法是谷歌大脑Quoc Le团队，又训练出的一个目标检测模型，通过特别的数据扩增策略，再用自动扩增来的新数据集训练目标检测模型，使该算法在针对小数据集的目标检测上取得了很好的效果。该论文和开源代码如下： 论文传送门： https://arxiv.org/abs/1906.11172 代码传送门： https://github.com/tensorflow/tpu/tree/ma...
【数据增强】Learning Data Augmentation Strategies for Object Detection
qq_40731332的博客
07-10 390
论文代码：github.com/tensorflow/tpu/tree/master/models/ official/detection Abstract COCO上的实验证明最优化的data augmentation使得模型+2.3mAP，使得单的推理模型取得最优结果50.7mAP。在COCO上最佳的策略可能同样可以改善模型在其他数据集上的结果，例如在VOC上+2,7mAP Introduction 在图像分类任务中，相较于人工设计数据增强策略，从数据中学习一个最优化策略是更好的。相较于分.
论文阅读：Learning Data Augmentation Strategies for Object Detection
j879159541的博客
06-16 842
文章目录1、论文总述2、学习数据增强这方面的学术进展3、本文对离散优化问题所使用的方法4、搜索出来的最有效的数据增强手段5、实验结果表格6、两个有趣的发现7、 Learned data augmentation improves model regularization 1、论文总述 这篇论文是在Autoaugment基础上探索目标检测里的数据增强的自动学习，Autoaugment是针对分类网络的，论文最主要的内容是先罗列了很多的数据增强手段，然后分成5个sub_policy，在这些空间中搜索最优的不同数据
【论文笔记】：Learning Data Augmentation Strategies for Object Detection
Activewaste
08-04 1603
&Title: Learning Data Augmentation Strategies for Object Detection Learning Data Augmentation Strategies for Object Detection(译) &Summary 这个方法是谷歌大脑Quoc Le团队，又训练出的一个目标检测模型，通过特别的数据扩增策略，再用自...
论文阅读：数据增强Learning Data Augmentation Strategies for Object Detection
qq_43555843的博客
12-02 721
研究背景
论文阅读：Scale-aware Automatic Augmentation for Object Detection (CVPR 2021)
weixin_43570470的博客
04-07 2287
paper:https://arxiv.org/abs/2103.17220 code:https://github.com/dvlab-research/SA-AutoAugGitHub - dvlab-research/SA-AutoAug 目录 1 Motivation 1.1 图像级增强 Image-level augmentations 1.2 盒级增强 Box-level augmentations 2 Methods 2.1 搜索空间 2.2 评价指标 2.3 搜索算法...
YOLOv8 Data Augmentation Techniques: Exploring Image Preprocessing and Augmentation Strategies
# Introduction to Data Augmentation Techniques for YOLOv8: Image Preprocessing and Augmentation Strategies Data augmentation is an image processing technique used to generate new training data to ...
【AutoAgument for OD】《Learning Data Augmentation Strategies for Object Detection》
bryant_meng
12-07 1343
ECCV-2020
Cui_Class-Balanced_Loss_Based_on_Effective_Number_of_Samples_CVPR_2019_paper.pdf
11-07
在做机器学习模型实践过程中，会遇到正负样本数据严重失衡的情况，本论文提供了一种方法解决此问题
pytorch+resnet18实现长尾数据集分类(一)
12-20
实验基于论文： Class-Balanced Loss Based on Effective Number of Samples Class-balanced-loss代码地址：https://github.com/vandit15/Class-balanced-loss-pytorch resnet18代码参考链接：https://blog.youkuaiyun.com/sunqiande88/article/details/80100891 制作数据集 论文中通过公式n=niuin = n_iu^in=ni​ui，iii为类索引．制作长尾cifar10数据集．以下代码以不均匀比例100为例．也可以通过
【论文阅读笔记】Learning Data Augmentation Strategies for Object Detection
时光机 °的博客
02-04 616
论文地址：https://arxiv.org/abs/1906.11172 论文总结   本文是19年关于目标检测数据增强的论文，也没有提出啥开创性思想，主要思想就是“目标检测的数据增强应该和分类不一样，要有一些不同的数据增强策略”，然后做了一些实验来验证数据增强的组合。   然后通过搜索，得到了几组数据增强策略。还有就是，可以在小数据集上进行策略的应用，该策略在大数据集上也能有足够的泛化效应。   作者的贡献主要在搜索方法上，通过强化学习等工具，离散优化搜索策略空间。   学习到的5个子策略，如下图所示：
最新目标检测论文（二）：Learning Data Augmentation Strategies for Object Detection
qq_37764129的博客
07-08 1539
基于Data Augmentation+NAS-FPN 数据对于深度学习来说至关重要，而数据增强策略对于提升训练样本数据量、改善模型稳定性和鲁棒性，提高对于真实世界的适应性和泛化性具有重要的作用。 虽然在图像分类中数据增强有着广泛的使用，但将数据增强用于目标检测的系统性研究还较少。此外由于目标检测数据的标记成本比图像分类更高，数据增强策略在有限数据的情况下除了能提高模型表现同时还能节省数据成本...
ECCV2020 Learning Data Augmentation Strategies for Object Detection
Q1u1NG的博客
11-11 1386
摘要 数据增强是训练深度神经网络的重要组成部分。虽然数据增强能够显著提升图像分类的效果，但它的潜力还没有被彻底的研究对象检测。考虑到为目标检测注释图像的额外成本，数据增强可能对这个计算机视觉任务更重要。在这项工作中，我们研究了数据增强对目标检测的影响。我们首先证明了从图像分类中借鉴的数据增强操作可能有助于训练检测模型，但改进有限。因此，我们研究如何学习，专门的数据增强策略提高检测模型的泛化性能。重要的是，这些增强策略只影响训练，并在评估期间保持训练模型不变。在COCO数据集上的实验表明，优化后的数据增强策略
【数据增强】Learning Data Augmentation Strategies for Object Detection 代码
qq_40731332的博客
07-29 400
现在的情况是：官方代码基于tf实现，另一个numpy版本的bug很多。 blend(image1, imgage2, facotr) factor在0，1之间时，是interpolate，等于0时返回image1，等于1时返回image2 factor大于1时，是extrapolate，会clip到0，255之间。 具体计算： difference = image2 - image1 scaled = factor * difference temp = image1 + scaled ..
【长尾学习】Class-Balanced Loss Based on Effective Number of Samples
最新发布
qq_40734883的博客
12-03 1260
从数据的有效样本数进行平衡损失函数设计来解决长尾学习问题
Class-Balanced Loss Based on Effective Number of Samples
景唯acr
05-14 4862
会议：CVPR2019 GitHub地址：https://github.com/vandit15/Class-balanced-loss-pytorch/blob/master/class_balanced_loss.py 论文下载：https://arxiv.org/pdf/1901.05555.pdf
Class-Balanced Loss Based on Effective Number of Samples解决类别不平衡loss
yang_daxia的博客
09-24 5002
github:https://github.com/vandit15/Class-balanced-loss-pytorch/blob/master/class_balanced_loss.py 本文用于解决样本类别不平衡问题, 尤其是数据是长尾分布的情况. 本文核心概念为, 有效采样数.En 那么某一类别有效采样数多, 起loss权重应该小, 即和En成反比, 所以类别权重只要乘以...
评论 1
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

打赏作者

yang_daxia

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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