Data Augmentation 技術調研

來自專欄機器學習之路33 人贊了文章

1) Imagenet classification with deep convolutional neural networks, (https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks) 本文中提出可以針對已有的圖片數據進行一些變換，比如剪切，翻轉，旋轉等操作，從而自動地擴充訓練數據。缺點是整個過程是在已有的訓練數據上進行的。

2) Data Augmentation Generative Adversarial Networks,（https://arxiv.org/pdf/1711.04340.pdf） 本文提出了一種基於GAN的Data Augmentation Method。可以訓練一個GAN，以已有的數據作為輸入，生成新的與輸入屬於同一類的數據。

3) Low-Shot Learning from Imaginary Data, (https://arxiv.org/pdf/1801.05401.pdf)

本文針對圖像數據，提出了一種基於meta learning的方法，可以自動產生額外的訓練數據幫助訓練。

4) Image Style Transfer using Convolutional Neural Networks (https://www.cv-foundation.org/openaccess/content_cvpr_2016/html/Gatys_Image_Style_Transfer_CVPR_2016_paper.html) 本文提出了 style transfer的方法，可以將已有風格的數據變換為其它的風格，可以用來擴大訓練數據的規模。

5) Synthetic data augmentation using GAN for improved liver lesion classification (https://arxiv.org/pdf/1801.02385.pdf) 本文利用GAN，可以自動的生成醫學圖像，比如CT影片。

6) Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks (https://junyanz.github.io/CycleGAN/)

基於GAN，可以自動的利用domain X的圖片生成domain Y的圖片。

7) DeLiGAN : Generative Adversarial Networks for Diverse and Limited Data （https://arxiv.org/pdf/1706.02071.pdf）

8) Megapixel Size Image Creation using Generative Adversarial Networks （https://arxiv.org/pdf/1706.00082.pdf）本文提出了一種新的GAN 變種，可以生成高解析度的圖片數據。

9) The Effectiveness of Data Augmentation in Image Classification using Deep Learning （http://cs231n.stanford.edu/reports/2017/pdfs/300.pdf）

本文比較了多種data augmentation的方法，發現傳統的對數據進行翻轉、裁剪的方法和Cycle GAN的方法效果表現最好。同時本文提出可以訓練一個神經網路來自動地根據最後的分類器選擇表現最好的data augmentation方法。

推薦閱讀：