Semantic Augmentation
- 1.Implicit Semantic Data Augmentation for Deep Networks_NIPS19
- 2.Learning to compose domain specific transformations for data augmentation_NIPS17
- 3.A Unified Feature Disentangler for Multi-Domain Image Translation and Manipulation_NIPS18
- 4.Unsupervised Domain Adaptation by Backpropagation_ICML15
- 5.Adversarial Zero-Shot Learning with Semantic Augmentation_AAAI18
- 6.DATA AUGMENTATION GENERATIVE ADVERSARIAL NETWORKS_2018未发表
- 7.Domain Agnostic Learning with Disentangled Representations_ICML19
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,aik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