تكبير Mixup وCutMix

Mixup linearly interpolates whole images and labels, while CutMix pastes a rectangular patch from one image onto another and mixes labels by patch area — both reduce overfitting and improve robustness.

يشكل Mixup (Zhang et al., 2017) عينة جديدة مثل x̃ = lect·x_a + (1−λ) ·x_b مع تسمية ỹ مختلطة بنفس lect، حيث يتم استخلاص lect من توزيع بيتا. وهذا يشجع النموذج على التصرف بشكل خطي بين الأمثلة، مما يسهل حدود القرار ويحسن المعايرة. بدلاً من ذلك، يقوم CutMix (Yun et al., 2019) بقص منطقة مستطيلة من الصورة B ولصقها على الصورة A؛ يتم تعيين أوزان الملصقات حسب نسبة البكسل التي تساهم بها كل صورة. نظرًا لأن CutMix يحافظ على مناطق الصورة المتماسكة محليًا (بدلاً من المزج الشبحي)، فإنه يحافظ على البنية المكانية المفيدة بينما يستمر في إجبار النموذج على الاهتمام بكائنات وأجزاء متعددة. تعمل كلا التقنيتين كمنظمين قويين، وتزيد من الدقة في معايير مقياس ImageNet، وتحسن بشكل ملحوظ المتانة في مواجهة الفساد والمدخلات العدائية.