會議簡介

在計算機視覺任務中，數(shù)據(jù)擴增是一種基于較少數(shù)據(jù)、產(chǎn)生大量訓練樣本，進而提升模型性能的有效方法。傳統(tǒng)數(shù)據(jù)擴增方法主要借助于圖像域的翻轉、平移、旋轉等簡單變換。而本期講者王語霖提出了一種隱式語義數(shù)據(jù)擴增算法，對樣本進行更為「高級」的、「語義」層面的變換，例如改變物體的背景、顏色、視角等。

講者介紹

王語霖，清華大學自動化系2019級直博生。導師為吳澄院士和黃高助理教授。此前于北京航空航天大學自動化學院獲工學學士學位。研究興趣為深度學習模型的高效訓練和推理方法。在T-PAMI、NeurIPS、ICLR等國際一流期刊、會議上以第一作者發(fā)表學術論文。

會議題目

圖像數(shù)據(jù)的隱式語義數(shù)據(jù)擴增

會議摘要

我們提出了一種隱式語義數(shù)據(jù)擴增算法：ISDA，具有如下幾個突出特點：

（1）與傳統(tǒng)數(shù)據(jù)擴增方法高度互補，有效地增進擴增多樣性和進一步提升性能；

（2）巧妙地利用深度神經(jīng)網(wǎng)絡長于學習線性化表征的性質(zhì)，在特征空間完成擴增過程，無需訓練任何輔助生成模型（如GAN等），幾乎不引入任何額外計算或時間開銷；

（3）直接優(yōu)化無窮擴增樣本期望損失的一個上界，最終形式僅為一個全新的損失函數(shù)，簡單易用，便于實現(xiàn)；

（4）可以廣泛應用于全監(jiān)督、半監(jiān)督圖像識別、語義分割等視覺任務，在ImageNet、Cityscapes等較大規(guī)模的數(shù)據(jù)集上效果比較明顯。

論文標題：Regularizing Deep Networks with Semantic Data Augmentation

論文下載：關注微信公眾號，對話框回復“SFFAI99”，獲取下載

會議摘要

1、關注語義層面的數(shù)據(jù)擴增；

2、利用特征空間的性質(zhì)，對深度特征進行數(shù)據(jù)擴增；

3、從期望損失的形式出發(fā)，向大家展示了數(shù)據(jù)擴增不一定是隨機化的方法，亦可以體現(xiàn)為一個確定的形式，例如損失函數(shù)。

會議摘要

2021年3月21日（周日）20:00-21:00? 線上直播

關注微信公眾號，對話框回復“SFFAI99”，獲取入群二維碼

注：直播地址會分享在交流群內(nèi)

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