Mixup dan CutMix Augmentation
Mixup dan CutMix ialah kaedah penambahan data yang mencipta contoh latihan baharu dengan menggabungkan dua imej dan labelnya.
Gambaran keseluruhan
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 dalam
Mixup (Zhang et al., 2017) membentuk sampel baharu sebagai x̃ = λ·x_a + (1−λ)·x_b dengan label ỹ bercampur dengan λ yang sama, di mana λ diambil daripada taburan Beta. Ini menggalakkan model untuk berkelakuan secara linear antara contoh, melicinkan sempadan keputusan dan menambah baik penentukuran. CutMix (Yun et al., 2019) sebaliknya memotong kawasan segi empat tepat daripada imej B dan menampalnya pada imej A; berat label ditetapkan mengikut bahagian piksel yang disumbangkan oleh setiap imej. Oleh kerana CutMix mengekalkan kawasan imej yang koheren setempat (bukannya campuran hantu), ia mengekalkan struktur spatial yang berguna sambil masih memaksa model untuk memperhatikan berbilang objek dan bahagian. Kedua-dua teknik bertindak sebagai penyelaras yang kuat, meningkatkan ketepatan pada penanda aras skala ImageNet, dan terutamanya meningkatkan keteguhan kepada rasuah dan input musuh.
Wawasan Teknikal
Kedua-dua kaedah mengubah suai sasaran kerugian, bukan hanya input. Label menjadi sasaran bercampur lembut, jadi kehilangan entropi silang ialah gabungan berwajaran λ dua kelas — secara berkesan satu bentuk pelicinan label yang terikat pada nisbah pencampuran piksel. Dalam CutMix, λ menyamai pecahan piksel yang tidak diubah, dikira daripada kawasan kotak potong dibahagikan dengan jumlah kawasan imej, yang memastikan perkadaran label konsisten dengan jumlah setiap imej yang boleh dilihat.
Kesan Strategik
Kos dan bajet
Keputusan seni bina memacu prestasi dan kos operasi selama bertahun-tahun.
Keputusan yang lebih jelas
Pendidikan teknikal membantu pasukan memilih timbunan yang betul, bukan hanya yang terbaharu.
Kawalan kualiti
Pilihan kejuruteraan yang lebih baik mengurangkan insiden kebolehpercayaan dalam pengeluaran.
Masa Depan Mixup dan CutMix Augmentation
Pembesaran berasaskan campuran kini menjadi standard dalam resipi klasifikasi imej yang kukuh dan menyokong saluran paip latihan moden untuk pengubah penglihatan, yang sering memerlukan penyelarasan berat. Penyelidikan diteruskan pada varian yang menyedari kepentingan (cth., meletakkan pemotongan pada kawasan bermaklumat), pencampuran peringkat token untuk transformer dan sambungan kepada audio, teks dan data 3D. Jangkakan strategi pencampuran untuk kekal sebagai tuil kos rendah untuk meningkatkan ketepatan, penentukuran dan keteguhan apabila seni bina semakin haus data.
Pelaksanaan Dunia Sebenar
Melatih pengelas ImageNet dengan CutMix untuk meningkatkan ketepatan 1 teratas dan meningkatkan penyetempatan objek.
Menggunakan Mixup untuk meningkatkan penentukuran model supaya keyakinan yang diramalkan lebih sepadan dengan ketepatan sebenar.
Mengatur transformer penglihatan (mis., DeiT) dengan gabungan Mixup dan CutMix untuk melatih data terhad.
Meningkatkan keteguhan kepada kerosakan imej dan input luar pengedaran dalam sistem penglihatan kritikal keselamatan.
Risiko & Pengawal
Mengoptimumkan satu penanda aras boleh menyembunyikan kelemahan sistem yang lebih luas.
Kos infrastruktur dan penyelenggaraan sering dipandang remeh.
Jurang keselamatan dan pemerhatian boleh berkembang apabila sistem menjadi lebih kompleks.
Hala Tuju Pelaksanaan
Tentukan sasaran kependaman, kualiti dan kos sebelum pelaksanaan.
Penanda aras di bawah beban realistik dan keadaan data.
Pemantauan instrumen untuk ralat, drift dan kesan pengguna.
Sediakan laluan balik dan tindak balas insiden sebelum penskalaan.
Teruskan Meneroka
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
Panduan seterusnya
Peningkatan Masa Ujian
Soalan lazim
What is Mixup and CutMix Augmentation?
Mixup dan CutMix ialah kaedah penambahan data yang mencipta contoh latihan baharu dengan menggabungkan dua imej dan labelnya. Mixup secara linear menginterpolasi keseluruhan imej dan label, manakala CutMix menampal tampalan segi empat tepat dari satu imej ke imej lain dan mencampurkan label mengikut kawasan tampalan — kedua-duanya mengurangkan pemasangan berlebihan dan meningkatkan keteguhan.
Bagaimanakah Mixup mencipta contoh latihan baharu?
Campuran membentuk x̃ = λx_a + (1−λ)x_b dan mencampurkan label dengan λ yang sama yang diambil daripada taburan Beta.
Apakah perbezaan teras antara CutMix dan Mixup?
CutMix menyalin kawasan segi empat tepat daripada satu imej ke imej lain, mengekalkan kandungan koheren setempat dan bukannya menghantui dua imej bersama.
Dalam CutMix, bagaimanakah berat campuran (lambda) untuk label ditentukan?
Perkadaran label dalam CutMix ditetapkan oleh kawasan kotak yang ditampal berbanding keseluruhan imej, memastikan label konsisten dengan piksel yang boleh dilihat.
Selain imej input, apa lagi yang Mixup dan CutMix ubah suai?
Kedua-dua kaedah mencampurkan label juga, menghasilkan sasaran lembut yang bertindak seperti bentuk pelicinan label yang bergantung kepada data.
Taburan manakah yang biasa digunakan untuk mensampel lambda pekali campuran?
Mixup dan CutMix lazimnya menarik λ daripada taburan Beta, yang mengawal sekuat mana kedua-dua contoh bercampur.