Semantic Augmentation

1.Implicit Semantic Data Augmentation for Deep Networks_NIPS19

作者认为神经网络产生的深度特征总是线性化的（linearized），在深度特征空间有很多语义方向，修改这些语义方向可以作用到样本的某个特征，比如让不戴眼镜的人戴上眼镜。但语义方向的操作应该是一个自动过程，作者对于每个类学习一个协方差矩阵，包含丰富的语义信息，捕获这个类的各种样本的变化。同时在normal distribution中采样零均值的随机向量。我认为这里是在模拟输入数据的高斯分布，利用这两项就能采样出新的数据，再输入分类器训练，可以提高分类精度。
还有一个细节是，本文产生了M次增强的数据，所以损失函数（交叉熵）中含有未知量M，作者将其趋近无穷大作为上界，计算这个极限值的损失。数据点有C个class，a_i^k是增强后的向量。

2.Learning to compose domain specific transformations for data augmentation_NIPS17

gan+强化学习
针对指定域做数据增强，用强化学习学得和参数化不可微的transformation functions，作