个性化颅骨植入物研究重要但难以泛化，使用多种数据增强技术提高了结果，对自动建模领域有重要贡献。

本研究将图像学习的数据增强技术应用于WiFi CSI，探究其对模型推广能力的影响。实验结果显示特定数据增强技术组合可以提高跨场景和跨系统的推广能力。

数据增强技术提高计算机视觉模型泛化能力。本文介绍了两种新型数据增强技术，针对不同ially private学习的约束条件。第一种技术DP-Mix_Self通过在自我增强的数据上执行mixup，实现了SoTA分类性能。第二种技术DP-Mix_Diff通过合成预训练扩散模型的数据纳入mixup过程，进一步提高性能。

本研究将图像学习的数据增强技术应用于WiFi CSI，提高人类活动识别模型在不同场景和系统中的推广能力。实验结果显示特定的数据增强技术组合能显著提高模型的推广能力。

本文全面分析了数据增强技术在人相关的视觉任务中的应用，包括人物 ReID、人体解析、人体姿态估计和行人检测等领域。通过解决过拟合和有限训练数据的挑战，提出了数据生成和数据扰动两类数据增强方法，并讨论了未来的研究方向。调查总结了当前状态，并为开发更强大、准确和高效的人相关视觉系统制定了计划。

本文提出了一种基于YOLO物体检测器的高效车牌识别系统，通过后处理规则提高了识别准确性，使用多样的数据增强技术提高鲁棒性。实验结果显示该系统在多个数据集上表现出优异的识别率和帧速率。

该文章介绍了基于图像的深度强化学习中的数据增强技术，并提出了一种名为切线传递的正则化项。该方法在多个领域中验证了其有效性，取得了最先进的性能，并展现了更高的样本效率和更好的泛化能力。

本研究开发了一种AI技术的面部情感识别系统，能够识别戴口罩人群的情感，并使用数据增强技术提高模型性能。实验结果显示，多面具模式下模型表现更好，VGGFace2网络在人员相关模式下准确率最高。使用多种指标评估系统效率，并使用LIME算法可视化CNN的决策策略。

该研究介绍了一种名为注意力引导擦除（AGE）的新型数据增强技术，用于改善乳腺 X 线摄影图像的分类。AGE通过擦除背景区域，只显示出密集乳腺组织区域，提高了分类性能。实验证明，采用AGE可以显著优于没有AGE和带有随机擦除的情况，平均F1分数为0.5910。

本文提出了一种新的数据增强技术，通过修改分子图的拓扑结构生成具有相同分子连通性索引的增强数据。实验证明，基于重要的分子拓扑特征生成的增强数据可以提高分子性质的预测准确度，为化学信息学研究中的数据增强提供了新的视角。

本研究提出了一种识别戴口罩人群情感的面部情感识别系统，采用新的数据增强技术提高模型性能。通过训练四种面具类型的面部图像，评估了四个卷积神经网络的效果，结果显示多面具模式下效果更好。使用Resnet50评估模型性能，同时使用多种指标衡量系统效率，并使用LIME算法可视化CNN的决策策略。

本文研究了Transform模型在机器翻译中的应用，提出了一种操控注意力头以生成多样化翻译的方法，并利用这些多样化翻译进行后向翻译以改进数据增强技术。实验结果表明，多样化翻译可以显著提高翻译任务的性能。

nuPlan是一个基于模仿的驾驶规划者，提供了一个标准化的闭环基准和真实世界数据集，用于公平比较。研究探索了自我规划的特征、减少复合误差的数据增强技术和模仿差距。提出了一个强大的基准模型PlanTF，展示了高竞争力和泛化能力。项目网站：https://this URL

本文是一项实验性研究，探讨语言模型在知识库问答中的鲁棒性挑战。研究发现，即使采用数据增强技术，先进的语言模型在处理复杂环境时仍表现较差，需要进一步研究数据收集和语言模型学习范例。

本文研究了时间序列数据增强技术在神经网络时间序列分类中的应用，提出了四种方法，并在128个数据集上使用六种神经网络对12种方法进行了评估，以帮助选择神经网络应用的时间序列数据增强方法。

该研究使用图像金字塔结构训练多个模型，通过多种数据增强技术提高模型鲁棒性，实现侧面头颅X射线图像颅测定点检测。在2023年挑战中，该方法成功率达到74.18%，平均径向误差为1.62mm。

本文提出了一种通过可学习的数据增强技术解决一次性无监督领域自适应问题的分类框架，并在 DomainNet 和 VisDA 两个数据集上取得了最先进的性能。

该文研究了流式机器翻译中的问题，通过对比自定义流式方法和重翻译，发现重翻译在操作非常少的情况下与最先进的流式系统一样好甚至更好，并认为数据增强技术和wait-k推理形成了流式翻译的强有力基线。

本文提出了三种基于多模态 transformer 的假新闻检测模型，并通过深入分析操纵数据的方法来探索这些模型在社交媒体上实际使用情况下的性能。建议使用数据增强技术对社交媒体上的假新闻检测进行更有意义的实验，以提高模型的泛化能力。所提出的数据增强技术获得了最先进的效果。

该文介绍了一种新的数据增强技术，用于文本到语音的任务，能够生成新的（文本，音频）训练样本，有助于减少过拟合，特别是在低资源环境下。该方法能够改善许多数据集、说话人和 TTS 体系结构的语音质量，并能大大提高基于注意力的 TTS 模型的鲁棒性。