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。
1. 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。
2. 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。
3. 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。
4. 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。
5. 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。
6. 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。
