Als nächstesNächster Leitfaden
Audiodatenerweiterung
Technisch
Technischer Leitfaden
Mixup und CutMix Augmentation
Mixup und CutMix sind Datenerweiterungsmethoden, die durch das Mischen zweier Bilder und ihrer Beschriftungen neue Trainingsbeispiele erstellen.
Auf dieser Seite2 Minuten gelesen
Übersicht
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.
Tiefer Einblick
Mixup (Zhang et al., 2017) bildet eine neue Stichprobe als x̃ = λ·x_a + (1−λ)·x_b mit der Bezeichnung ỹ, gemischt mit demselben λ, wobei λ aus einer Beta-Verteilung stammt. Dies fördert das lineare Verhalten des Modells zwischen den Beispielen, glättet Entscheidungsgrenzen und verbessert die Kalibrierung. CutMix (Yun et al., 2019) schneidet stattdessen einen rechteckigen Bereich aus Bild B aus und fügt ihn in Bild A ein; Die Beschriftungsgewichte werden durch den Anteil der Pixel festgelegt, die jedes Bild beisteuert. Da CutMix lokal kohärente Bildbereiche beibehält (statt geisterhafter Übergänge), bleibt die nützliche räumliche Struktur erhalten, während das Modell dennoch gezwungen wird, sich um mehrere Objekte und Teile zu kümmern. Beide Techniken fungieren als starke Regularisierer, erhöhen die Genauigkeit von ImageNet-Benchmarks und verbessern insbesondere die Robustheit gegenüber Korruption und gegnerischen Eingaben.
Strategische Auswirkungen
Kosten und Budget
Architekturentscheidungen beeinflussen über Jahre hinweg die Leistung und die Betriebskosten.
Klarere Entscheidungen
Technische Schulungen helfen Teams dabei, den richtigen Stack auszuwählen, nicht nur den neuesten.
Qualitätskontrolle
Bessere technische Entscheidungen reduzieren Zuverlässigkeitsvorfälle in der Produktion.
Die Zukunft von Mixup und CutMix Augmentation
Mixbasierte Augmentation ist heute Standard in starken Bildklassifizierungsrezepten und untermauert moderne Trainingspipelines für Vision Transformer, die oft einer starken Regularisierung bedürfen. Die Forschung geht weiter zu Varianten, die sich mit der Ausprägung befassen (z. B. Kürzungen in informativen Bereichen), Mischen auf Token-Ebene für Transformatoren und Erweiterungen für Audio-, Text- und 3D-Daten. Es ist davon auszugehen, dass Mischstrategien weiterhin ein kostengünstiger Hebel zur Steigerung der Genauigkeit, Kalibrierung und Robustheit bleiben werden, da Architekturen immer datenhungriger werden.
Reale Umsetzung
Trainieren Sie ImageNet-Klassifikatoren mit CutMix, um die Top-1-Genauigkeit zu erhöhen und die Lokalisierung von Objekten zu verbessern.
Anwenden von Mixup zur Verbesserung der Modellkalibrierung, damit die vorhergesagten Konfidenzen besser mit der tatsächlichen Genauigkeit übereinstimmen.
Stark regulierte Vision-Transformatoren (z. B. DeiT) mit kombiniertem Mixup und CutMix, um auf begrenzten Daten zu trainieren.
Erhöhte Robustheit gegenüber Bildverfälschungen und nicht verteilten Eingaben in sicherheitskritischen Bildverarbeitungssystemen.
Risiken und Leitplanken
Die Optimierung eines Benchmarks kann umfassendere Systemschwächen verbergen.
Infrastruktur- und Wartungskosten werden oft unterschätzt.
Sicherheits- und Beobachtbarkeitslücken können größer werden, wenn die Systeme komplexer werden.
Implementierungs-Roadmap
Definieren Sie vor der Implementierung Latenz-, Qualitäts- und Kostenziele.
Benchmark unter realistischen Last- und Datenbedingungen.
Instrumentenüberwachung auf Fehler, Drift und Benutzereinflüsse.
Bereiten Sie vor der Skalierung Rollback- und Incident-Response-Pfade vor.
Entdecken Sie weiter
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Mixup and CutMix Augmentation quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Häufig gestellte Fragen
What is Mixup and CutMix Augmentation?
Mixup und CutMix sind Datenerweiterungsmethoden, die durch das Mischen zweier Bilder und ihrer Beschriftungen neue Trainingsbeispiele erstellen. Mixup interpoliert ganze Bilder und Beschriftungen linear, während CutMix einen rechteckigen Patch von einem Bild in ein anderes einfügt und Beschriftungen nach Patchbereich mischt – beides reduziert die Überanpassung und verbessert die Robustheit.
Wie erstellt Mixup ein neues Trainingsbeispiel?
Die Verwechslung bildet x̃ = λx_a + (1−λ)x_b und mischt die Bezeichnungen mit demselben λ aus einer Beta-Verteilung.
Was ist der Hauptunterschied zwischen CutMix und Mixup?
CutMix kopiert einen rechteckigen Bereich von einem Bild in ein anderes und behält dabei den lokal kohärenten Inhalt bei, anstatt zwei Bilder zusammenzufügen.
Wie wird in CutMix das Mischgewicht (Lambda) für die Etiketten ermittelt?
Das Beschriftungsverhältnis in CutMix wird durch die Fläche des eingefügten Felds im Verhältnis zum gesamten Bild festgelegt, sodass die Beschriftungen mit den sichtbaren Pixeln konsistent bleiben.
Was ändern Mixup und CutMix außer dem Eingabebild noch?
Beide Methoden vermischen auch die Beschriftungen und erzeugen so weiche Ziele, die wie eine datenabhängige Form der Beschriftungsglättung wirken.
Welche Verteilung wird üblicherweise zum Abtasten des Mischungskoeffizienten Lambda verwendet?
Mixup und CutMix ziehen typischerweise λ aus einer Beta-Verteilung, die steuert, wie stark die beiden Beispiele gemischt werden.
Lerne weiter
Verwandte Leitfäden
Weitere Leitfäden zu diesem Thema ausgewählt