Publication

3D Common Corruptions and Data Augmentation

Amir Roshan Zamir, Shuqing Teresa Yeo, Oguzhan Fatih Kar, Andrei Atanov
2022
Conference Papers

Résumé

We introduce a set of image transformations that can be used as corruptions to evaluate the robustness of models as well as data augmentation mechanisms for training neural networks. The primary distinction of the proposed transformations is that, unlike existing approaches such as Common Corruptions [27], the geometry of the scene is incorporated in the transformations - thus leading to corruptions that are more likely to occur in the real world. We also introduce a set of semantic corruptions (e.g. natural object occlusions. See Fig. 1).

Source officielle

https://infoscience.epfl.ch/entities/publication/70fdefee-ed34-448d-9870-5ed47154729f

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

3D Common Corruptions and Data Augmentation

Chattez avec Graph Search

What is the geometry of effective field theories?

Equilibrium-based exploration of structures towards circular design strategies

Task-driven neural network models predict neural dynamics of proprioception: Experimental data, activations and predictions of neural network models