Mixup și CutMix Augmentation
Mixup și CutMix sunt metode de creștere a datelor care creează noi exemple de antrenament prin amestecarea a două imagini și a etichetelor acestora.
Prezentare generală
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.
Scufundare în profunzime
Mixup (Zhang et al., 2017) formează un eșantion nou ca x̃ = λ·x_a + (1−λ)·x_b cu eticheta ỹ amestecată de același λ, unde λ este extras dintr-o distribuție Beta. Acest lucru încurajează modelul să se comporte liniar între exemple, netezind limitele de decizie și îmbunătățind calibrarea. CutMix (Yun et al., 2019) taie în schimb o regiune dreptunghiulară din imaginea B și o lipește pe imaginea A; greutățile etichetelor sunt stabilite de proporția de pixeli cu care contribuie fiecare imagine. Deoarece CutMix păstrează regiuni de imagine coerente la nivel local (mai degrabă decât amestecuri fantomatice), păstrează structura spațială utilă, forțând totuși modelul să se ocupe de mai multe obiecte și părți. Ambele tehnici acționează ca regulatori puternici, măresc acuratețea referințelor la scară ImageNet și îmbunătățesc în special robustețea la corupții și intrările adverse.
Perspectivă tehnică
Ambele metode modifică ținta de pierdere, nu doar intrarea. Eticheta devine o țintă moale, mixtă, astfel încât pierderea de entropie încrucișată este o combinație ponderată cu λ de două clase - efectiv o formă de netezire a etichetei legată de raportul de amestecare a pixelilor. În CutMix, λ este egal cu fracția de pixeli nealterați, calculată din zona casetei tăiate împărțită la suprafața totală a imaginii, ceea ce menține proporția etichetei în concordanță cu cât de mult este vizibilă din fiecare imagine.
Impact strategic
Cost și buget
Deciziile de arhitectură generează performanța și costurile de operare de ani de zile.
Decizii mai clare
Educația tehnică ajută echipele să aleagă stiva potrivită, nu doar cea mai nouă.
Controlul calității
Opțiuni de inginerie mai bune reduc incidentele de fiabilitate în producție.
Viitorul Mixup și CutMix Augmentation
Augmentarea bazată pe amestec este acum standard în rețetele puternice de clasificare a imaginilor și stă la baza conductelor moderne de antrenament pentru transformatoarele de vedere, care au adesea nevoie de o regularizare puternică. Cercetările continuă cu privire la variantele conștiente de importanță (de exemplu, plasarea tăierilor pe regiuni informative), amestecarea la nivel de simbol pentru transformatoare și extensiile la date audio, text și 3D. Așteptați-vă ca strategiile de amestecare să rămână o pârghie cu costuri reduse pentru creșterea acurateței, calibrării și robusteței, pe măsură ce arhitecturile devin mai avide de date.
Implementare în lumea reală
Antrenarea clasificatoarelor ImageNet cu CutMix pentru a crește acuratețea de top și a îmbunătăți localizarea obiectelor.
Aplicând Mixup pentru a îmbunătăți calibrarea modelului, astfel încât confidențele anticipate să se potrivească mai bine cu exactitatea reală.
Regularizarea puternică a transformatoarelor de vedere (de exemplu, DeiT) cu Mixup și CutMix combinate pentru antrenament pe date limitate.
Creșterea robusteței la corupțiile imaginilor și a intrărilor în afara distribuției în sistemele de viziune critice pentru siguranță.
Riscuri și balustrade
Optimizarea unui punct de referință poate ascunde slăbiciunile mai largi ale sistemului.
Costurile de infrastructură și întreținere sunt adesea subestimate.
Lacunele de securitate și observabilitate pot crește pe măsură ce sistemele devin mai complexe.
Foaia de parcurs de implementare
Definiți obiectivele de latență, calitate și cost înainte de implementare.
Benchmark în condiții realiste de încărcare și date.
Monitorizarea instrumentelor pentru erori, deriva și impactul utilizatorului.
Pregătiți căile de retragere și răspuns la incident înainte de scalare.
Continuați să explorați
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
Următorul ghid
Creșterea timpului de testare
Întrebări frecvente
What is Mixup and CutMix Augmentation?
Mixup și CutMix sunt metode de creștere a datelor care creează noi exemple de antrenament prin amestecarea a două imagini și a etichetelor acestora. Mixup interpolează liniar imagini și etichete întregi, în timp ce CutMix lipește un patch dreptunghiular de la o imagine pe alta și amestecă etichete după zona de patch - ambele reduc supraadaptarea și îmbunătățesc robustețea.
Cum creează Mixup un nou exemplu de antrenament?
Mixup formează x̃ = λx_a + (1−λ)x_b și amestecă etichetele cu același λ extras dintr-o distribuție Beta.
Care este diferența de bază dintre CutMix și Mixup?
CutMix copiază o regiune dreptunghiulară dintr-o imagine în alta, păstrând un conținut coerent la nivel local, mai degrabă decât să asocieze două imagini.
În CutMix, cum se determină greutatea de amestecare (lambda) pentru etichete?
Proporția etichetelor în CutMix este setată de zona casetei lipite în raport cu întreaga imagine, păstrând etichetele consistente cu pixelii vizibili.
În afară de imaginea de intrare, ce mai modifică Mixup și CutMix?
Ambele metode amestecă și etichetele, producând ținte moi care acționează ca o formă de netezire a etichetelor dependentă de date.
Ce distribuție este utilizată în mod obișnuit pentru a eșantiona coeficientul de amestecare lambda?
Mixup și CutMix atrag de obicei λ dintr-o distribuție Beta, care controlează cât de puternic sunt amestecate cele două exemple.