Mixup

数据增强 - Cutout、Random Erasing、Mixup、Cutmix

要解决什么问题1.2.用了什么方法1.3.效果如何1.4.还存在什么问题&可借鉴之处2.RandErasing2.1.要解决什么问题2.2.用了什么方法2.3.效果如何2.4.还存在什么问题&可借鉴之处3.Mixup3.1
清欢守护者·2022-06-26 07:31

数据增强之MixUp

度量学习DML之ContrastiveLoss及其变种_程大海的博客-CSDN博客度量学习DML之TripletLoss_程大海的博客-CSDN博客度量学习DML之LiftedStructureLoss_程大海的博客-CSDN博客度量学习DML之CircleLoss_程大海的博客-CSDN博客度量学习DML之Cross-BatchMemory_程大海的博客-CSDN博客度量学习DML之MoCO_程
胖胖大海·2022-06-26 07:54

【数据增强】MixUp算法

概述论文链接mixup可以将不同的图像进行混合，从而扩充训练数据集，以下分别从图片和label的角度，介绍经过mixup操作后，数据和label的变化。
admin``·2022-06-26 07:21

音频数据增强（一）——mixup和SpecAugment

目录1、mixup2、SpecAugment1、mixup论文地址：https://arxiv.org/pdf/1710.09412.pdfmixup通过以下方式构建虚拟的训练样本：式中，(xi,yi)
冲冲冲鸭鸭鸭~·2022-06-26 07:50

MicroNet实战：使用MicroNet实现图像分类

MicroNet实战摘要安装包1、安装timm2、安装yacs数据增强Cutout和Mixup项目结构计算mean和std生成数据集摘要本文通过对植物幼苗分类的实际例子来感受一下MicroNet模型的效果
AI浩·2022-06-10 19:41

yolox全解析

模型图:网络模型分为四个部分：1.输入端、2.backbone、3.neck、4.预测端每个部分的创新，关键点是：1.输入端：mosaic，mixup图像增强2.backbone：CSPLayer层，silu
暄染落墨·2022-06-08 07:43

ConvNeXt实战之实现植物幼苗分类

目录前言ConvNeXt残差模块数据增强Cutout和Mixup项目结构数据集导入模型文件安装库，并导入需要的库设置全局参数数据预处理设置模型定义训练和验证函数测试第一种写法第二种写法前言ConvNeXts
·2022-06-02 16:40

RepLKNet实战：使用RepLKNet实现对植物幼苗的分类（非官方）

RepLKNet实战摘要论文解读论文的贡献挑战传统认知整体架构安装包1、安装timm2、安装apex数据增强Cutout和Mixup项目结构计算mean和std生成数据集摘要本文通过对植物幼苗分类的实际例子来感受一下超大核的魅力所在
AI浩·2022-05-26 07:53

论文笔记之数据增广（1）：mixup

https://blog.csdn.net/ly244855983/article/details/78938667这篇博客写的不错，写来安利一波，过段时间自己有时间在看一下原文
Xavier学长·2022-03-18 05:39

Swin Transformer实战： timm使用、Mixup、Cutout和评分一网打尽，图像分类任务

文章目录摘要SwinTransformer简介资料汇总数据增强Cutout和Mixup项目结构计算mean和std生成数据集训练导入项目使用的库设置全局参数图像预处理与增强读取数据设置模型定义训练和验证函数测试摘要本例提取了植物幼苗数据集中的部分数据做数据集
AI浩·2022-03-07 14:33

[半监督学习] MixMatch: A Holistic Approach to Semi-Supervised Learning

MixMatch融合了半监督学习的主要方法,对于数据增强后的未标记示例,MixMatch预测其低熵标签,并使用MixUp混合标记和未标记数据.论文地址:MixMatch:AHolisticApproachtoSemi-SupervisedLearningTensorFlow
码侯烧酒·2022-02-21 07:20

YOLOX讲解

目录1、基准模型baseline2、Yolox-Darknet532.1输入端2.1.1strongaugmentationMosaic增强Mixup增强2.2backbone2.3Neck2.4Head
weixin_43981952·2022-02-16 09:39

Anchor free系列网络之YOLOX源码逐行讲解篇(六)--Mixup数据增强

整个系列包括：Demo源码逐行讲解->train脚本源码逐行讲解->backbone源码逐行讲解->FPN源码逐行讲解->Head源码逐行讲解->loss计算源码逐行讲解->数据加载源码逐行讲解->数据增强源码逐行讲解->simOTA源码逐行讲解。保证逐行，注意是逐行，包括python语法，tensor维度和逐行代码的作用及应用。其实网络结构本没有任何神秘的地方，都是一些模块堆叠起来的，你完全可以
@会飞的毛毛虫·2022-02-15 07:37

mixup:beyond empirical risk minimization

全网最全:盘点那些图像数据增广方式Mosiac,MixUp,CutMix等.
Kun Li·2022-02-14 07:25

Mixup:Beyond Empirical Risk Minimization

——数据增强方法——https://github.com/hongyi-zhang/mixup动机：机器学习的目标就是根据训练样本，寻找一个最优的函数，是的函数对输入X的估计Y'与实际输出Y之间的期望风险
_忙中偷闲_·2021-12-09 11:57

Java代码混淆工具入门——Allatori～

使用案例创建一个mixup的maven工程如下图如上图在根目录下创建allatori文件夹，放入配置文件allatori
·2021-08-19 14:16

CIFAR-10数据集应用：快速入门数据增强方法Mixup，显著提升图像识别准确度

CIFAR-10数据集应用：快速入门数据增强方法Mixup，显著提升图像识别准确度作者｜Ta-YingCheng，牛津大学博士研究生，Medium技术博主，多篇文章均被平台官方刊物TowardsDataScience
·2021-08-17 17:10

Mixup数据增强/增广和半监督论文导读

目录1.简介2.数据增广2.1Mixup论文2.2ManifoldMixup论文3.半监督3.1ICT论文3.2MixMatch论文4.总结Mixup数据增强/增广和半监督论文导读1.简介为了回答如下问题
米米不多·2021-03-24 17:27

文本数据增强方法

在计算机视觉领域中，数据增强的方法较为常用，例如通过图像缩放、图像裁剪、mixup等数据增强的方法可以有效的提高任务的准确率。随着技术的发展，在自然语言处理领域中也产生了一些有效的
herosunly·2021-02-25 17:38

CNN图像分类的小技巧(1): mixup数据增强

1.mixup论文连接mixup是一种dataaugmentation方法，可以用来提升模型的泛化能力和对对抗样本(adversarialexamples，指的是训练样本分布外的样本)的鲁棒性。
一只猩仔·2021-01-28 00:54

2020年科大讯飞X光安检图像识别前三名队伍分享

文章目录1.第一名：baseline1.1团队介绍1.2比赛介绍1.3模型方案设计1.3.1数据分析1.3.2模型选择1.3.3模型调优1.4主要涨分点1.4.1mixup1.4.2AutoAugment1.4.3MixPatch1.4.4Mosaic1.4.5WBF1.4.6
herosunly·2020-12-04 17:01

【论文阅读笔记】CutMix：数据增强

目录1.几种数据增强的区别:Mixup,Cutout,CutMix2.CutMix的原理【与代码一同食用更好消化】3.论文中的一些讨论内容4.看看代码看论文的原因：学习mixup的时候发现的这篇论文，读读看
花噜噜酱·2020-09-16 19:10

开源算法FMix：用于深度学习中增强混合样本数据增强

作者介绍近来混合样本数据增强（MSDA）受到越来越多的关注，其中包括许多成功的变体，例如MixUp和Cut-Mix。
imalg图像算法·2020-09-15 02:23

faceswap-GAN之adversarial_loss_loss（对抗loss）

defadversarial_loss(netD,real,fake_abgr,distorted,gan_training="mixup_LSGAN",**weights):alpha=Lambda(
AI剑客·2020-09-13 06:20

想读懂YOLOV4，你需要先了解下列技术(二)

论文总结分析的第二篇，第一篇具体查看公众号，其主要分析了数据增强和特征擦除手段，包括randomerasing、cutout、hide-and-seek、gridmask、AdversarialErasing、mixup
l7H9JA4·2020-08-26 13:08

MapReduce灵魂——看不见的Shuffle

shuffle：rearrange(adeckofcards)byslidingthecardsovereachotherquickly.shuffle：洗牌同义词：mix（混合）；mixup（混淆；拌和
机器熊技术大杂烩·2020-08-24 15:25

论文笔记：mixup: BEYOND EMPIRICAL RISK MINIMIZATION

文章目录AbstractIntroductionFromERMtomixupTheory一些设计选择与发现Mixup做了什么？
weixin_39901859·2020-08-24 04:06

ICLR2018_mixup: Beyond Empirical Risk Minimization

作者HongyiZhang张宏毅@张宏毅知乎北大->MIT论文所属FAIRAbstract深度神经网络有些不好的行为：强记忆和对对抗样本敏感ChristianSzegedy等人在ICLR2014发表的论文中，他们提出了对抗样本（Adversarialexamples）的概念，即在数据集中通过故意添加细微的干扰所形成的输入样本，受干扰之后的输入导致模型以高置信度给出一个错误的输出。在他们的论文中，他
weixin_30794851·2020-08-24 03:22

【论文阅读】mixup: BEYOND EMPIRICAL RISK MINIMIZATION

mixup:BEYONDEMPIRICALRISKMINIMIZATION作者HongyiZhang，本科北大，发这篇文章的时候是MIT的博士五年级学生。这篇文章是和FAIR的人一起合作的。
DechaoMeng·2020-08-24 03:41

mixup: Beyond Empirical Risk Minimization

https://blog.csdn.net/u010158659/article/details/79212503https://www.cnblogs.com/lainey/p/8493205.htmlhttps://blog.csdn.net/ly244855983/article/details/78938667#commentBoxhttps://www.cnblogs.com/hizha
mjiansun·2020-08-24 03:48

[深度学习论文笔记][ICLR 18]mixup: BEYOND EMPIRICAL RISK MINIMIZATION

[ICLR18]mixup:BEYONDEMPIRICALRISKMINIMIZATIONHongyiZhang,MoustaphaCisse,YannN.DauphinandDavidLopez-PazfromMIT
KFXW·2020-08-24 02:36

Mixup:Beyond Empirical Risk Minimization

本文中，我们提出了一种缓解issues的学习原则称为mixup。总的来说，mixup通过对样本对及标签进行凸融合来训练深度神经网络。这样使得神经网络在训练任务调整成为它最擅长的简单线性学习。
abrams90·2020-08-23 23:21

论文笔记 | mixup: BEYOND EMPIRICAL RISK MINIMIZATION

出处：ICLR2018论文：https://arxiv.org/abs/1710.09412一、前言深度学习一直以来存在计算量大（落地困难）和模型过拟合的问题。为了解决过拟合问题，从模型本身和数据这两个方面着手，提出了很多有效的方法。数据增强（DataArgumentation）则是从数据层面解决过拟合，提高模型的泛化性（generalization），通用的数据增强方法有：随机裁切、翻转（左右上
江南小赣·2020-08-23 22:50

数据增强——时间序列

平均选择法）ASD（距离平均选择法）基于统计采样的方法MarkovChainMonteCarlo-fittedstatisticalalgorithm：LGT(LocalandGlobalTrend)其他方法mixup
shaoyue1234·2020-08-16 08:04

python mixup

opencvimportcv2img=cv2.imread("500x400.jpg",1)img1=cv2.imread("tuzi500x400.jpg",1)cv2.imshow('img',img)cv2.imshow('img1',img1)dst=cv2.addWeighted(img,0.5,img1,0.5,0)#图像融合'''参数1参数3待叠加的两个图像，两个图像的大小，通道数必
ShellCollector·2020-08-15 23:02

半监督学习

无标签的数据x2做k次增广输入模型得到k个minibatch无标签数据的平均分类概率，应用温度Sharpen算法，得到猜测标签；3.将有标签数据x1与无标签数据x2组成新的数据集w；4.再将x1与w通过mixup
一米稻香·2020-08-15 22:21

本周新出计算机视觉开源代码汇总（语义分割、目标检测、超分辨率、网络结构设计、训练策略等）

希望对你有帮助～ICML2019mixup图像增广，噪声标签建模改进网络训练Unsupervisedlabelnoisemodelingandlosscorrec
关注公号‘AI深度学习视线’·2020-08-14 23:47

目标检测中数据增强的方法——填鸭式：针对小样本

在样本量不足的情况下，我们通常会采用mixup或者填鸭式的方法来进行数据增强。其中mixup是将正负样本融合成新的一组样本，使得样本量翻倍。填鸭式是将原本样本里的目标抠出来，随机复制粘贴到其他地方。
philipwelia·2020-08-13 18:34

从YOLOv4看模型优化方法

增加训练时间，不影响推理速度下提升性能）1.1数据增强：亮度、对比度、色调、饱和度、噪音等随机缩放、裁剪、翻转、旋转等模拟遮挡randomeraseorCutOut:随机将图像中的矩形区域随机填充像素值或置零MixUp
wonengguwozai·2020-08-12 14:26

深度学习 | 训练网络trick——mixup

1.mixup原理介绍mixup论文地址mixup是一种非常规的数据增强方法，一个和数据无关的简单数据增强原则，其以线性插值的方式来构建新的训练样本和标签。
Cindy's·2020-08-09 23:00

数据增强之CutMix

CutMix数据增强学习一、前言之前有一篇博客学习了mixup数据增强，对于提升模型的性能非常显著。长江后浪推前浪，这一篇CutMix数据增强居然将其推在沙滩上。
SyGoing·2020-08-03 20:39

【数据增强】AUGMIX: A SIMPLE DATA PROCESSING METHOD TO IMPROVE ROBUSTNESS AND UNCERTAINTY

与Cutout、Mixup、CutMix的效果对比：算法伪码：算法实际执行效果可视化：增强上图是本文使用的数据增强操作，来自AutoAugment。
zzl_1998·2020-07-28 08:16

【深度学习】Mixup: Beyond Empirical Risk Minimization

博主整理了近几年混合样本数据增强（MixedSampleDataAugmentation）相关论文和代码，并分享在github上，地址如下，https://github.com/JasonZhang156/awesome-mixed-sample-data-augmentation如果大家对混合样本数据增强算法有兴趣，可以star或者fork到自己的仓库。博主会对内容持续更新！一、相关理论Mixu
z小白·2020-07-15 13:17

mixup嵌入到当前模型中，降低过拟合

mixup论文传送门论文中对比了α\alphaα和λ\lambdaλ在cifar10和cifar100下不同模型的表现，有兴趣的童鞋可以详细看看。
峰峰的猫·2020-07-15 07:57

[pytorch] 图像识别之mixup/cutmix

本人kaggle分享链接：https://www.kaggle.com/c/bengaliai-cv19/discussion/126504效果图：（目标检测中）代码如下：defrand_bbox(size,lam):W=size[2]H=size[3]cut_rat=np.sqrt(1.-lam)cut_w=np.int(W*cut_rat)cut_h=np.int(H*cut_rat)#uni
MachineLP·2020-07-15 01:42

【Pytorch】mixup

《mixup：BEYONDEMPIRICALRISKMINIMIZATION》2017（ICLR2018），HongyiZhangetal.Mixup，MIT和FAIRQ:为什么dataaugmentation
mjiansun·2020-07-15 01:11

mixup:超越经验风险最小化

论文原文：ZhangH,CisseM,DauphinYN,etal.mixup:BeyondEmpiricalRiskMinimization[J].2017.原文链接：https://arxiv.org
sumangshang·2020-07-14 23:34

【论文阅读】Adversarial Vertex Mixup: Toward Better Adversarially Robust Generalization#CVPR2020

论文地址：http://xxx.itp.ac.cn/pdf/2003.02484.pdf解决问题：虽然对抗性训练是对抗性训练中最有效的防御形式之一，但不幸的是，对抗性训练中存在着测试准确性和训练准确性之间的矛盾。总结：在本文中，我们发现对抗性特征过拟合（AFO）会导致对抗性鲁棒泛化能力差，并且我们证明了对抗性训练可以在鲁棒泛化方面超过最优点，从而导致我们的简单高斯模型中的AFO。考虑到这些理论结果
@logics·2020-07-14 18:29

mixup Pytorch代码

fori,(images,target)inenumerate(train_loader):#1.inputoutputimages=images.cuda(non_blocking=True)target=torch.from_numpy(np.array(target)).float().cuda(non_blocking=True)#2.mixupalpha=config.alphalam=
小伟db·2020-07-14 18:55

数据增强之mixup论文笔记

数据增强之mixup论文笔记一、前言深度学习一直以来存在计算量大（落地困难）和模型过拟合的问题。为了解决过拟合问题，从模型本身和数据这两个方面着手，提出了很多有效的方法。
SyGoing·2020-07-14 16:19
上一页 1 2 3 4 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他