A seguirPróximo guia
Audio Data Augmentation
Técnico
GUIA Técnico
Aumento de Mixup e CutMix
Mixup e CutMix são métodos de aumento de dados que criam novos exemplos de treinamento combinando duas imagens e seus rótulos.
Nesta página2 minutos de leitura
Visão geral
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.
Mergulho profundo
Mixup (Zhang et al., 2017) forma uma nova amostra como x̃ = λ·x_a + (1−λ)·x_b com o rótulo ỹ misturado pelo mesmo λ, onde λ é extraído de uma distribuição Beta. Isso incentiva o modelo a se comportar linearmente entre os exemplos, suavizando os limites de decisão e melhorando a calibração. Em vez disso, CutMix (Yun et al., 2019) corta uma região retangular da imagem B e cola-a na imagem A; os pesos dos rótulos são definidos pela proporção de pixels que cada imagem contribui. Como o CutMix mantém regiões de imagem localmente coerentes (em vez de combinações fantasmagóricas), ele preserva a estrutura espacial útil enquanto ainda força o modelo a atender a vários objetos e peças. Ambas as técnicas atuam como regularizadores fortes, aumentam a precisão nos benchmarks na escala ImageNet e melhoram notavelmente a robustez a corrupções e entradas adversárias.
Impacto Estratégico
Custo e orçamento
As decisões de arquitetura impulsionam o desempenho e os custos operacionais durante anos.
Decisões mais claras
A educação técnica ajuda as equipes a escolher a pilha certa, não apenas a mais nova.
Controle de qualidade
Melhores escolhas de engenharia reduzem incidentes de confiabilidade na produção.
O futuro do aumento de Mixup e CutMix
O aumento baseado em mix agora é padrão em receitas fortes de classificação de imagens e sustenta pipelines de treinamento modernos para transformadores de visão, que muitas vezes precisam de regularização pesada. A pesquisa continua sobre variantes com reconhecimento de saliência (por exemplo, colocação de cortes em regiões informativas), mixagem em nível de token para transformadores e extensões para áudio, texto e dados 3D. Espere que as estratégias de combinação continuem sendo uma alavanca de baixo custo para aumentar a precisão, a calibração e a robustez à medida que as arquiteturas se tornam cada vez mais ávidas por dados.
Implementação no mundo real
Treinamento de classificadores ImageNet com CutMix para aumentar a precisão máxima e melhorar a localização de objetos.
Aplicar Mixup para melhorar a calibração do modelo para que as confianças previstas correspondam melhor à precisão real.
Transformadores de visão fortemente regularizados (por exemplo, DeiT) com Mixup e CutMix combinados para treinar em dados limitados.
Aumento da robustez contra corrupções de imagens e entradas fora de distribuição em sistemas de visão críticos para a segurança.
Riscos e guarda-corpos
A otimização de um benchmark pode ocultar fraquezas mais amplas do sistema.
Os custos de infraestrutura e manutenção são frequentemente subestimados.
As lacunas de segurança e observabilidade podem aumentar à medida que os sistemas se tornam mais complexos.
Roteiro de implementação
Defina metas de latência, qualidade e custo antes da implementação.
Benchmark sob condições realistas de carga e dados.
Monitoramento de instrumentos para erros, desvios e impacto no usuário.
Prepare caminhos de reversão e resposta a incidentes antes de escalar.
Continue 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
Perguntas frequentes
What is Mixup and CutMix Augmentation?
Mixup e CutMix são métodos de aumento de dados que criam novos exemplos de treinamento combinando duas imagens e seus rótulos. O Mixup interpola linearmente imagens e rótulos inteiros, enquanto o CutMix cola um patch retangular de uma imagem em outra e mistura rótulos por área de patch – ambos reduzem o overfitting e melhoram a robustez.
Como o Mixup cria um novo exemplo de treinamento?
A mistura forma x̃ = λx_a + (1−λ)x_b e mistura os rótulos com o mesmo λ extraído de uma distribuição Beta.
Qual é a principal diferença entre CutMix e Mixup?
CutMix copia uma região retangular de uma imagem para outra, mantendo o conteúdo localmente coerente em vez de criar duas imagens juntas.
No CutMix, como é determinado o peso de mistura (lambda) dos rótulos?
A proporção do rótulo no CutMix é definida pela área da caixa colada em relação à imagem inteira, mantendo os rótulos consistentes com os pixels visíveis.
Além da imagem de entrada, o que mais o Mixup e o CutMix modificam?
Ambos os métodos também misturam os rótulos, produzindo alvos flexíveis que atuam como uma forma de suavização de rótulos dependente de dados.
Qual distribuição é comumente usada para amostrar o coeficiente de mistura lambda?
Mixup e CutMix normalmente extraem λ de uma distribuição Beta, que controla a intensidade com que os dois exemplos são misturados.
Continue aprendendo
Guias relacionados
Mais guias escolhidos para este tópico