Augmentasi Mixup dan CutMix
Mixup dan CutMix adalah metode augmentasi data yang membuat contoh pelatihan baru dengan memadukan dua gambar dan labelnya.
Ikhtisar
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.
Menyelam Lebih Dalam
Mixup (Zhang et al., 2017) membentuk sampel baru sebagai x̃ = λ·x_a + (1−λ)·x_b dengan label ỹ dicampur dengan λ yang sama, dimana λ diambil dari distribusi Beta. Hal ini mendorong model untuk berperilaku linier antar contoh, menghaluskan batasan keputusan, dan meningkatkan kalibrasi. CutMix (Yun et al., 2019) malah memotong wilayah persegi panjang dari gambar B dan menempelkannya ke gambar A; bobot label ditentukan oleh proporsi piksel yang disumbangkan setiap gambar. Karena CutMix menjaga wilayah gambar yang koheren secara lokal (bukan campuran bayangan), CutMix mempertahankan struktur spasial yang berguna sambil tetap memaksa model untuk memperhatikan beberapa objek dan bagian. Kedua teknik ini bertindak sebagai pengatur yang kuat, meningkatkan keakuratan tolok ukur skala ImageNet, dan terutama meningkatkan ketahanan terhadap korupsi dan masukan yang merugikan.
Wawasan Teknis
Kedua metode tersebut mengubah target kerugian, bukan hanya inputnya. Label menjadi target yang lembut dan tercampur, sehingga kehilangan entropi silang adalah kombinasi dua kelas berbobot λ — yang secara efektif merupakan bentuk penghalusan label yang dikaitkan dengan rasio pencampuran piksel. Dalam CutMix, λ sama dengan pecahan piksel yang tidak diubah, dihitung dari luas kotak potong dibagi total luas gambar, yang menjaga proporsi label tetap konsisten dengan seberapa banyak setiap gambar terlihat.
Dampak Strategis
Cost and budget
Keputusan arsitektur mendorong kinerja dan biaya pengoperasian selama bertahun-tahun.
Clearer decisions
Pendidikan teknis membantu tim memilih tumpukan yang tepat, bukan hanya yang terbaru.
Quality control
Pilihan teknik yang lebih baik mengurangi insiden keandalan dalam produksi.
Masa Depan Mixup dan Augmentasi CutMix
Augmentasi berbasis campuran kini menjadi standar dalam resep klasifikasi gambar yang kuat dan mendukung jalur pelatihan modern untuk transformator visi, yang seringkali memerlukan regularisasi besar-besaran. Penelitian berlanjut pada varian yang sadar akan arti-penting (misalnya, menempatkan pemotongan pada wilayah informatif), pencampuran tingkat token untuk transformator, dan perluasan pada data audio, teks, dan 3D. Strategi pencampuran diperkirakan akan tetap menjadi pendorong berbiaya rendah untuk meningkatkan akurasi, kalibrasi, dan ketahanan seiring dengan semakin banyaknya arsitektur yang haus akan data.
Implementasi Dunia Nyata
Melatih pengklasifikasi ImageNet dengan CutMix untuk meningkatkan akurasi teratas dan meningkatkan lokalisasi objek.
Menerapkan Mixup untuk meningkatkan kalibrasi model sehingga keyakinan yang diprediksi lebih cocok dengan akurasi sebenarnya.
Transformator visi yang sangat teratur (misalnya DeiT) dengan gabungan Mixup dan CutMix untuk melatih data terbatas.
Meningkatkan ketahanan terhadap korupsi citra dan masukan yang tidak didistribusikan dalam sistem visi yang kritis terhadap keselamatan.
Risiko & Pagar Pembatas
Mengoptimalkan satu tolok ukur dapat menyembunyikan kelemahan sistem yang lebih luas.
Biaya infrastruktur dan pemeliharaan sering kali diremehkan.
Kesenjangan keamanan dan kemampuan observasi dapat tumbuh seiring dengan semakin kompleksnya sistem.
Peta Jalan Implementasi
Tentukan target latensi, kualitas, dan biaya sebelum penerapan.
Tolok ukur dalam kondisi beban dan data yang realistis.
Pemantauan instrumen untuk kesalahan, penyimpangan, dan dampak pengguna.
Siapkan jalur rollback dan respons insiden sebelum melakukan penskalaan.
Terus Menjelajah
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
Next guide
Augmentasi Waktu Tes
Pertanyaan yang sering diajukan
What is Mixup and CutMix Augmentation?
Mixup dan CutMix adalah metode augmentasi data yang membuat contoh pelatihan baru dengan memadukan dua gambar dan labelnya. Mixup menginterpolasi seluruh gambar dan label secara linier, sementara CutMix menempelkan patch persegi panjang dari satu gambar ke gambar lainnya dan mencampur label berdasarkan area patch — keduanya mengurangi overfitting dan meningkatkan ketahanan.
Bagaimana Mixup membuat contoh pelatihan baru?
Campuran membentuk x̃ = λx_a + (1−λ)x_b dan mencampur label dengan λ yang sama yang diambil dari distribusi Beta.
Apa perbedaan inti antara CutMix dan Mixup?
CutMix menyalin wilayah persegi panjang dari satu gambar ke gambar lainnya, menjaga konten koheren secara lokal daripada membuat dua gambar menjadi satu.
Di CutMix, bagaimana cara menentukan berat pencampuran (lambda) untuk label?
Proporsi label di CutMix diatur berdasarkan luas kotak yang ditempel relatif terhadap keseluruhan gambar, menjaga label tetap konsisten dengan piksel yang terlihat.
Selain gambar masukan, apa lagi yang dimodifikasi oleh Mixup dan CutMix?
Kedua metode ini juga menggabungkan label, sehingga menghasilkan sasaran lunak yang bertindak seperti bentuk penghalusan label yang bergantung pada data.
Distribusi manakah yang biasa digunakan untuk mengambil sampel koefisien pencampuran lambda?
Mixup dan CutMix biasanya mengambil λ dari distribusi Beta, yang mengontrol seberapa kuat kedua contoh tersebut dicampur.