会议简介

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。

会议题目

图像数据的隐式语义数据扩增

会议摘要

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

论文下载：关注微信公众号，对话框回复“SFFAI99”，获取下载

会议摘要

1、关注语义层面的数据扩增；

2、利用特征空间的性质，对深度特征进行数据扩增；

3、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。

会议摘要

2021年3月21日（周日）20:00-21:00  线上直播

关注微信公众号，对话框回复“SFFAI99”，获取入群二维码

注：直播地址会分享在交流群内

https://bbs.sffai.com/d/130