A continuaciónSiguiente guía
Audio Data Augmentation
Técnico
GUÍA Técnica
Aumento de Mixup y CutMix
Mixup y CutMix son métodos de aumento de datos que crean nuevos ejemplos de entrenamiento combinando dos imágenes y sus etiquetas.
En esta pagina2 minutos de lectura
Descripción general
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.
Buceo profundo
Mixup (Zhang et al., 2017) forma una nueva muestra como x̃ = λ·x_a + (1−λ)·x_b con la etiqueta ỹ mezclada por el mismo λ, donde λ se extrae de una distribución Beta. Esto anima al modelo a comportarse linealmente entre ejemplos, suavizando los límites de decisión y mejorando la calibración. CutMix (Yun et al., 2019) en cambio corta una región rectangular de la imagen B y la pega en la imagen A; Los pesos de las etiquetas se establecen según la proporción de píxeles que aporta cada imagen. Debido a que CutMix mantiene regiones de imagen localmente coherentes (en lugar de mezclas fantasmales), conserva una estructura espacial útil y al mismo tiempo obliga al modelo a prestar atención a múltiples objetos y partes. Ambas técnicas actúan como regularizadores sólidos, aumentan la precisión en los puntos de referencia a escala de ImageNet y mejoran notablemente la solidez ante la corrupción y las aportaciones adversas.
Impacto Estratégico
Costo y presupuesto
Las decisiones de arquitectura impulsan el rendimiento y los costos operativos durante años.
Decisiones más claras
La educación técnica ayuda a los equipos a elegir la pila adecuada, no sólo la más nueva.
control de calidad
Mejores opciones de ingeniería reducen los incidentes de confiabilidad en la producción.
El futuro de Mixup y CutMix Augmentation
El aumento basado en mezclas ahora es estándar en recetas sólidas de clasificación de imágenes y sustenta los canales de capacitación modernos para transformadores de visión, que a menudo necesitan una gran regularización. Continúan las investigaciones sobre variantes que tienen en cuenta la prominencia (por ejemplo, colocar cortes en regiones informativas), mezcla a nivel de token para transformadores y extensiones de audio, texto y datos 3D. Espere que las estrategias combinadas sigan siendo una palanca de bajo costo para aumentar la precisión, la calibración y la solidez a medida que las arquitecturas consumen más datos.
Implementación en el mundo real
Entrenamiento de clasificadores ImageNet con CutMix para aumentar la precisión superior y mejorar la localización de objetos.
Aplicar Mixup para mejorar la calibración del modelo para que las confianzas predichas coincidan mejor con la precisión real.
Transformadores de visión muy regularizados (por ejemplo, DeiT) con Mixup y CutMix combinados para entrenar con datos limitados.
Aumento de la solidez para visualizar corrupciones y entradas fuera de distribución en sistemas de visión críticos para la seguridad.
Riesgos y barandillas
La optimización de un punto de referencia puede ocultar debilidades más amplias del sistema.
Los costos de infraestructura y mantenimiento a menudo se subestiman.
Las brechas de seguridad y observabilidad pueden crecer a medida que los sistemas se vuelven más complejos.
Hoja de ruta de implementación
Defina objetivos de latencia, calidad y costos antes de la implementación.
Comparación en condiciones realistas de carga y datos.
Monitoreo de instrumentos para detectar errores, deriva e impacto para el usuario.
Prepare rutas de reversión y respuesta a incidentes antes de escalar.
Sigue explorando
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
Preguntas frecuentes
What is Mixup and CutMix Augmentation?
Mixup y CutMix son métodos de aumento de datos que crean nuevos ejemplos de entrenamiento combinando dos imágenes y sus etiquetas. Mixup interpola linealmente imágenes y etiquetas completas, mientras que CutMix pega un parche rectangular de una imagen sobre otra y mezcla etiquetas por área de parche; ambos reducen el sobreajuste y mejoran la solidez.
¿Cómo crea Mixup un nuevo ejemplo de entrenamiento?
La mezcla forma x̃ = λx_a + (1−λ)x_b y mezcla las etiquetas con el mismo λ extraído de una distribución Beta.
¿Cuál es la diferencia principal entre CutMix y Mixup?
CutMix copia una región rectangular de una imagen a otra, manteniendo el contenido localmente coherente en lugar de crear imágenes fantasma juntas.
En CutMix, ¿cómo se determina el peso de mezcla (lambda) de las etiquetas?
La proporción de la etiqueta en CutMix se establece según el área del cuadro pegado en relación con toda la imagen, manteniendo las etiquetas consistentes con los píxeles visibles.
Además de la imagen de entrada, ¿qué más modifican Mixup y CutMix?
Ambos métodos también mezclan las etiquetas, lo que produce objetivos suaves que actúan como una forma de suavizado de etiquetas dependiente de los datos.
¿Qué distribución se utiliza comúnmente para muestrear el coeficiente de mezcla lambda?
Mixup y CutMix normalmente extraen λ de una distribución Beta, que controla la fuerza con la que se mezclan los dos ejemplos.
sigue aprendiendo
Guías relacionadas
Más guías seleccionadas para este tema.