多因素引导的行人重识别数据增广方法研究

为解决行人重识别研究领域中行人标注图像获取困难的问题,提出一种多因素引导的行人数据增广方法。首先,在生成器网络中设计了一种局部多尺度引导机制,通过特征融合抑制生成图像的局部伪影;其次,提出了长距离相关性引导机制,通过外注意力引导生成图像的长距离依赖,提高生成行人图像的整体视感质量;最后,提出一种抗博弈判别网络,通过嵌入到生成对抗网络,从而构建一种三网络稳定博弈架构模型,增加生成对抗网络训练的稳定性。通过VIPeR、Market-1501、DukeMTMC-reID这3种不同规模数据集的仿真实验,结果表明该方法与目前主流方法相比,mAP与Rank-1精度上均有不同程度的提升,在小规模数据集上的提升较为显著。

CycleGAN、ACGAN在人工智能医疗器械数据增广中的应用

目的探究人工智能医疗器械领域中使用循环生成对抗网络(Cycle-Consistent Generative Adversarial Networks,CycleGAN)和辅助分类生成对抗网络(Auxiliary Classification Generative Adversarial Network,ACGAN)进行数据增广的方法。方法使用CycleGAN和ACGAN分别生成干扰图像和特定领域数据,对图像增加不规律的变换,对原始图像数据进行数据加工或应用生成对抗网络生成该领域所需的图像数据。结果在医学影像数据集上评估了本文提出方法的性能,结果表明,CycleGAN和ACGAN可有效生成逼真的医学影像,从而用于训练机器学习模型。结论该方法解决了人工智能领域图像数据不足的问题,保证了模型对该数据的不可见性,使后期模型评估结果更准确。

去噪扩散概率模型在人工智能医疗器械影像数据增广中的应用

医疗器械影像数据增广是一种通过生成新的数据样本来扩展现有数据集的方法,对提高人工智能(AI)医疗器械相关模型性能和临床应用效果具有重要意义。传统的数据增广方法通常受限于生成样本质量、真实感和多样性。去噪扩散概率模型(DDPM)是一种基于噪声扩散过程的生成模型,其主要思想是通过将目标分布的采样过程建模为从噪声分布中逐步去噪的过程,从而生成具有高质量的样本。综述DDPM基本原理和工作机制,分析该方法在AI医疗器械数据增广中的应用场景,探讨其优势、挑战和未来发展方向,为AI医疗器械数据增广领域提供参考。

结合Cannikin’s Law的离线数据增广方法研究

数据增广是提升深度学习模型性能的有效方法之一。针对多类别目标检测任务中检测性能不平衡问题,提出一种针对“短板类别”(检测性能远低于模型平均检测性能的类别)的离线数据增广方法。受Cannikin’s Law的启发,采用基于复制粘贴(copy-paste)机制的场景多样性增广方法。随机采集训练集中“短板类别”实例区域,通过相似性度量机制选取训练集中增广目标样本进行随机粘贴。为了降低随机粘贴导致的遮挡问题,采用基于自遮挡(cut-replace)机制的增广方法提升模型遮挡表达能力。通过截取样本自身区域,对特征表达最显著区域进行遮挡。实验表明,FCOS目标检测框架在PASCAL VOC数据上的平均检测精度(mean average precision,mAP)从79.10%提升到83.90%,其中短板类别更为显著,提升了20.8个百分点。在MS-COCO数据上平均检测精度提升了0.9个百分点。

基于扩散模型数据增广的域泛化方法

域泛化是计算机视觉领域中一个重要且具有挑战性的问题,该问题源于现实场景中的数据分布偏移。在实际应用中,通常会遇到训练数据和测试数据来自不同的数据域的情况,这种数据分布的差异会导致测试时准确率下降。因此,提出了一种基于隐空间数据增广的域泛化方法,与传统图像级数据增广方法不同,该方法在隐空间中引入扩散模型,以实现对特征的精细控制和多样性生成,从而提升模型在目标域上的泛化能力。具体来说,基于分类器的隐式扩散模型在隐空间训练后可以条件生成准确且丰富的源域特征,并利用高效的采样方法加速生成增广特征。实验结果表明,新提出的方法在各种域泛化任务上取得了显著的性能提升,在真实场景中有较好的有效性和鲁棒性。该方法的创新点在于将数据增广焦点转移到隐空间级别,并引入扩散模型进行增广,为解决域泛化问题提供了一种新的思路。

基于数据增广的小样本材料属性预测

如何提升数据可用性是机器学习应用在材料属性预测任务中的一大挑战。对此,提出了一种基于数据增广的小样本材料属性预测方法。针对公开发布的Matbench屈服强度属性预测任务,仅使用312个数据样本,应用全连接神经网络对属性进行预测。首先,去除降低模型性能的元素,提高数据质量;然后,使用线性插值扩充数据集;最后,对神经网络进行建模和训练,预测屈服强度属性。相比于最优基线模型MODNet,该方法的平均绝对误差降低了4.97%。

基于定向成对混合的摄影档案图像数据增广研究

为了实现针对数字档案图像的高效分类与高精度识别,提出一套基于定向成对混合的摄影档案图像数据增广方案,运用OPairIM算法对细粒度图像类别加以划分,并通过成对生成方式提取数字图像混合的样本序列和标签序列,并通过各种不同类型的图像数据集对该算法的有效性加以验证,取得了较为理想的图像识别效果。

基于特效合成数据增广的YOLO算法在烟雾检测中的应用

跑冒滴漏指的是工作介质的渗漏和泄漏,烟雾检测一直是跑冒滴漏检测中比较复杂的一项目标检测。传统的烟雾检测主要通过烟雾传感器进行检测,检测环节易受各种环境因素干扰,文章通过对烟雾图像进行训练和识别,提出了一种基于YOLO算法的烟雾检测技术。另外,由于烟雾检测技术起步晚,目前市面上并没有比较好的烟雾视频图像数据库,采用数据增广的方法,对有限的样本进行后期模拟以及特效合成一些样本,提高了样本数量以及检测模型的准确率。

基于YOLOv5的伪装数据增广方法研究

数据作为深度学习的驱动力,对于模型的训练至关重要。为解决自然伪装数据集样本数量不足的问题,提出一种基于纹理置乱的数据增广方法,可有效扩充数据集样本数量。首先,根据目标像素多少动态选择置乱尺度,然后,将目标区域按置乱尺度切分为若干纹理块,最后将这些纹理块的排列顺序进行置乱。实验证明,使用基于纹理空间置乱的数据增广方法生成的数据保留了模型学习伪装目标的语义特征,同时增加了样本的多样性。在YOLOv5s模型上使用扩充的数据集进行训练,模型的检测性能提升了2.4个百分点,与传统数据增广方法相比,所提方法取得了更好的效果。

遥感图像目标检测的数据增广研究

针对目标检测的遥感图像样本数据量匮乏问题,使用几何和色彩两种数据变化方法对数据集进行增广,并利用Faster R-CNN目标检测算法分析了数据集增广对遥感图像目标检测的影响。在不同遥感图像数据集上进行实验,结果表明,相比于原始的训练集,增广后的训练集训练出的模型在测试集上的表现更好,目标检测准确度更高,且模型的泛化性得到明显提升。

基于数据增广和CNN的地震随机噪声压制

卷积神经网络(Convolutional Neural Network,CNN)是一种基于数据驱动的学习算法,简化了传统从特征提取到分类的两阶段式处理任务,被广泛应用于计算机科学的各个领域.在标注数据不足的地震数据去噪领域,CNN的推广应用受到限制.针对这一问题,本文提出了一种基于数据生成和增广的地震数据CNN去噪框架.对于合成数据,本文对无噪地震数据添加不同方差的高斯噪声,增广后构成训练集,实现基于小样本的CNN训练.对于实际地震数据,由于无法获得真实的干净数据和噪声来生成训练样本集,本文提出一种直接从无标签实际有噪数据生成标签数据集的方法.在所提出的方法中,我们利用目前已有的去噪方法从实际地震数据中分别获得估计干净数据和估计噪声,前者与未知的干净数据具有相似纹理,后者与实际噪声具有相似的概率分布.人工合成数据和实际数据实验结果表明,相较于F-X反褶积,BM3D和自适应频域滤波算法,本文方法能更好地压制随机噪声和保护有效信号.最后,本文采用神经网络可视化方法对去噪CNN的机理进行了探索,一定程度上解释了网络每一层的学习内容.

机器视觉应用中的图像数据增广综述

深度学习是目前机器视觉的前沿解决方案,而海量高质量的训练数据集是深度学习解决机器视觉问题的基本保障。收集和准确标注图像数据集是一个极其费时且代价昂贵的过程。随着机器视觉的广泛应用,这个问题将会越来越突出。图像增广技术是一种有效解决深度学习在少量或者低质量训练数据中进行训练的一种技术手段,该技术不断地伴随着深度学习与机器视觉的发展。系统性梳理当前图像增广技术研究,从增广对象、增广空间、标签处理和增广策略生成的角度,分析现有图像增广技术的研究范式。依据研究范式提出现有图像增广技术的分类系统,重点介绍每类图像增广研究的代表性研究成果。最后,对现有图像增广研究进行总结,指出当前图像增广研究中存在的问题及未来的发展趋势。

数据增广的编解码卷积网络地震层间多次波压制方法

层间多次波压制是地震资料去噪领域的一项前沿技术挑战,对获取高质量数据、了解地下真实构造具有十分重要的意义。现有的层间多次波压制方法耗时长,对人工参数调整要求高,处理低信噪比数据时可能导致层间多次波泄露。为此,提出一种基于数据增广的编解码卷积神经网络层间多次波压制方法。首先,利用基于虚同相轴的层间多次波压制方法从原始数据中估计出一次波和层间多次波,生成一次波标签数据。然后,构建两种增广训练集:一方面,通过改变训练样本中层间多次波的振幅、极性及旅行时,进行层间多次波波场数据的增广,提高层间多次波压制网络的泛化能力;另一方面,通过对原始数据添加不同信噪比的高斯噪声进行噪声注入的数据增广,提高网络的抗噪性能。最后,结合去噪卷积神经网络(DnCNN)和U形全卷积神经网络(U-Net)的优势搭建了适合层间多次波压制的深层编、解码网络,进行神经网络训练和预测。合成数据和实际数据的处理结果表明,该方法能够有效压制地震层间多次波并保护一次波,具有较强的泛化能力和抗噪性能,可显著提高计算效率。

基于数据增广训练的深度神经网络方法压制地震多次波

地震数据中存在的多次波影响偏移成像,误导地震资料的解释,因此通常视为相干噪声而被去除.为了对多次波进行智能化衰减,本文提出了一种基于数据增广训练的使用深度神经网络的多次波压制方法.设计的深度神经网络包括卷积编码和卷积解码过程,其中卷积编码过程学习全波场数据中的一次波特征,卷积解码过程利用这些特征来重构一次波并压制多次波和随机噪声.在训练阶段,旋转训练集并在输入数据中加入随机噪声构成增广训练数据集来提升神经网络的抗噪稳定性和泛化性,通过迁移学习让深度神经网络具备跨工区压制多次波的能力.简单模型与Sigsbee2B模型三套模拟数据的实例验证了本文方法在一次波重构和多次波压制中的有效性、稳定性和良好泛化性;一套崎岖海底模型地震物理模拟数据的应用实例表明本文方法具有应用于复杂条件下压制地震多次波的能力.

基于数据增广和模型集成策略的图神经网络在抑郁症识别上的应用

目前对抑郁症的主流诊断方式是通过医生和患者之间的沟通交流来填写相关的问卷量表,这需要相应的临床知识并且诊断结果存在主观性,给抑郁症诊断带来了很多挑战。利用信息处理技术对生理信号进行分析,构建精准客观的辅助诊断模型具有重要价值,然而目前抑郁症辅助诊断的公共数据集普遍存在样本偏少的情况,使得辅助诊断的精度普遍偏低。基于此,文中提出了一种基于数据增广和模型集成策略的图神经网络的抑郁症识别方法,该方法利用53位受试者的128通道脑电信号(Electroencephalogram,EEG),对采集到的脑电信号进行数据切分并将其用于数据增广后,利用皮尔逊相关系数计算不同通道之间的相关度,从而构造脑网络,并利用图神经网络学习脑网络的特征,然后将得到的预测结果利用模型集成策略进行多数投票,得到受试者最终的预测结果。经过实验证明,所提方法提高了网络的分类能力,解决了因样本小而带来的分类能力差的问题,在兰州大学普适感知与智能系统实验室提供的MODMA数据集(包含24名抑郁症患者和29名正常对照组)上取得了77%的分类准确率,与其他方法相比,所提方法的分类准确率有明显的提升。

数据增广下的人脸识别研究

随着计算机技术的发展和应用,人脸识别技术以其具有的非强制性、非接触性、并发性等优势得到了越来越广泛的应用。大规模数据是提高基于深度学习人脸识别准确率的关键因素,但往往数据不易获得,并且存在训练数据缺乏测试数据样本的情况,如模糊、亮度失真和腐蚀感画质样本等。针对训练数据缺乏问题,提出了利用滤波、亮度调节和腐蚀操作3种传统图像处理方法10种增广方式增加数据量和数据的多样性,进而提高识别算法的性能。将原始数据和增广数据作为训练数据训练模型,选择从不同地方拍摄的视频上截取的人脸图像组成了四个测试集,实验结果表明,增广数据与测试集样本存在一致性时,增广方式对提升识别性能都有一定的效果,其中最好的效果是对图像整体调亮时在一个测试集上的识别率提高了4.02%。

基于泄露电缆的周界入侵数据增广方法研究

机器学习的方法在泄漏电缆周界入侵检测领域有了比较好的发展。采集大量的入侵数据,通过机器学习训练模型,可以实现周界入侵检测更高的定位精度和更低的误报率。但是大规模入侵信号数据的缺乏限制了识别的准确率。而人工有效采集标注入侵信号数据极其费时且代价高昂。针对入侵信号数据缺乏的问题,本文引入了图像领域的数据增广方法。实验表明,几何变换增广结合深度卷积生成对抗的增广方法对周界入侵识别准确率的提升达到14.11%,极大程度上缓解了小样本下周界入侵定位精度低的问题,证明了本文增广方法的有效性。

基于优化分类的数据增广方法

为提高卷积神经网络对图像分类的正确率,对数据增广提高网络正确率进行研究,提出优化分类的数据增广方法。通过对测试集所有类别进行分析,找到分类效果不好的单类进行数据扩增,改善网络模型因训练样本少、结构复杂引起分类效果差的现象。基于Caffe深度学习框架,采用CaffeNet网络模型对Caltech-101和Corel1K数据集进行训练分析,提取图像特征信息,对测试集进行验证,将优化分类前后的测试集正确率进行对比,优化后的正确率有较大的提升。

结合数据增广和迁移学习的高分辨率遥感影像场景分类

深度学习在计算机视觉领域取得了显著的成果,如图像分类、人脸识别、图像检索等。对于遥感领域而言,获取用于训练CNN的有标签数据集通常是一个重大挑战。本文研究了如何将CNN用于高分辨率遥感影像的场景分类,为了克服缺乏大量有标签遥感影像数据集的问题,结合CNN采用了两种技术:数据增广和迁移学习。在UC Merced Land Use数据集上,验证了VGG16、VGG19、Res Net50、InceptionV3、Dense Net121等5种网络的性能,分别达到了98.10%、96.19%、99.05%、97.62%、99.52%的分类准确率。

数据增广在电力走廊深度学习分类中的研究

随着我国输电网络的不断发展,采用人工巡线对电力线路进行检修这项工作越来越繁重,所以采用无人机影像,利用无人机对电力线路进行巡检越来越广泛。为了避免人工对电力走廊影像地物分类造成的资源浪费,利用深度学习对无人机采集的大量数据进行快速而精确的分类成为当下研究的热点。以深圳输电线路走廊无人机影像数据为研究对象,研究滑动窗口步长以及数据增广对SegNet网络地表分类方法的精度的影响,从而提升电力走廊中小样本地物类型的精度。研究结果表明,两种方法都是可行的,并且分别能提高整体精度5.06%和3.74%。