关注公众号：【人工智能前沿讲习】，回复【SFFAI99】入交流群，推荐论文下载。
在计算机视觉任务中，数据扩增是一种基于较少数据、产生大量训练样本，进而提升模型性能的有效方法。传统数据扩增方法主要借助于图像域的翻转、平移、旋转等简单变换。而本期讲者王语霖提出了一种隐式语义数据扩增算法，对样本进行更为「高级」的、「语义」层面的变换，例如改变物体的背景、颜色、视角等。
讲者介绍
王语霖：清华大学自动化系2019级直博生。导师为吴澄院士和黄高助理教授。此前于北京航空航天大学自动化学院获工学学士学位。研究兴趣为深度学习模型的高效训练和推理方法。在T-PAMI、NeurIPS、ICLR等国际一流期刊、会议上以第一作者发表学术论文。
报告题目：图像数据的隐式语义数据扩增
报告摘要：我们提出了一种隐式语义数据扩增算法：ISDA，具有如下几个突出特点：
（1）与传统数据扩增方法高度互补，有效地增进扩增多样性和进一步提升性能；
（2）巧妙地利用深度神经网络长于学习线性化表征的性质，在特征空间完成扩增过程，无需训练任何辅助生成模型（如GAN等），几乎不引入任何额外计算或时间开销；
（3）直接优化无穷扩增样本期望损失的一个上界，最终形式仅为一个全新的损失函数，简单易用，便于实现；
（4）可以广泛应用于全监督、半监督图像识别、语义分割等视觉任务，在ImageNet、Cityscapes等较大规模的数据集上效果比较明显。
论文标题：Regularizing Deep Networks with Semantic Data Augmentation
Spotlight：
- 关注语义层面的数据扩增；
- 利用特征空间的性质，对深度特征进行数据扩增；
- 从期望损失的形式出发，向大家展示了数据扩增不一定是随机化的方法，亦可以体现为一个确定的形式，例如损失函数。
论文推荐
经典论文
AutoAugmentLearning Augmentation Strategies from Data
推荐理由：首次提出使用自动搜索方式设计数据增广策略，取得显著的效果提升。
mixup BEYOND EMPIRICAL RISK MINIMIZATION
推荐理由：提出了在诸多领域（有监督学习、半监督学习、对抗防御等等）广为应用的MixUp算子，将两个样本在输入空间直接线性差值即可产生令人惊叹的效果。
Deep Feature Interpolation for Image Content Changes
推荐理由：揭示了深度特征空间具有大量对应图像空间语义变换的方向，并借此实现复杂的语义变换。
前沿论文
CutMix Regularization Strategy to Train Strong Classifiers with Localizable Features
推荐理由：拓展了MixUp的工作，针对图像数据提出了极为简单有效的CutMix算子。
Joint Contrastive Learning with Infinite Possibilities
推荐理由：在自监督学习中采用与ISDA类似的隐式机器学习技术设计损失训练目标。
ADVERSARIAL AUTOAUGMENT
推荐理由：采用对抗训练的思路设计自动数据扩增算法，是目前最为有效的方法之一。