Mchanganyiko na Uongezaji wa CutMix
Mixup na CutMix ni mbinu za kuongeza data zinazounda mifano mipya ya mafunzo kwa kuchanganya picha mbili na lebo zao.
Muhtasari
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.
Dive ya kina
Mchanganyiko (Zhang et al., 2017) huunda sampuli mpya kama x̃ = λ·x_a + (1−λ)·x_b yenye lebo ỹ iliyochanganywa na λ sawa, ambapo λ inatolewa kutoka kwa usambazaji wa Beta. Hii inahimiza modeli kuishi kwa usawa kati ya mifano, kulainisha mipaka ya maamuzi na kuboresha urekebishaji. CutMix (Yun et al., 2019) badala yake hukata eneo la mstatili kutoka kwa picha B na kuibandika kwenye picha A; uzani wa lebo huwekwa kwa uwiano wa saizi kila picha inachangia. Kwa sababu CutMix huweka maeneo ya picha yanayofanana (badala ya michanganyiko ya roho), huhifadhi muundo muhimu wa anga huku bado ikilazimisha kielelezo kuhudumia vitu na sehemu nyingi. Mbinu zote mbili hufanya kazi kama vidhibiti dhabiti, huongeza usahihi kwenye alama za kipimo cha ImageNet, na haswa kuboresha uimara wa ufisadi na pembejeo za wapinzani.
Ufahamu wa Kiufundi
Mbinu zote mbili hurekebisha lengo la upotezaji, sio tu ingizo. Lebo inakuwa shabaha laini, iliyochanganyika, kwa hivyo hasara ya mtambuka ni mchanganyiko wa λ-uzani wa madarasa mawili - kwa ufanisi ni aina ya ulainishaji wa lebo inayofungamanishwa na uwiano wa kuchanganya pikseli. Katika CutMix, λ ni sawa na sehemu ya pikseli ambazo hazijabadilishwa, zilizokokotwa kutoka eneo la kisanduku kilichokatwa kilichogawanywa na eneo la jumla la picha, ambayo huweka uwiano wa lebo na ni kiasi gani cha kila picha kinachoonekana.
Athari za kimkakati
Cost and budget
Maamuzi ya usanifu huendesha utendaji na gharama ya uendeshaji kwa miaka.
Maamuzi ya wazi zaidi
Elimu ya kiufundi husaidia timu kuchagua safu sahihi, sio tu mpya zaidi.
Quality control
Chaguo bora za uhandisi hupunguza matukio ya kuaminika katika uzalishaji.
Mustakabali wa Mchanganyiko na Uongezaji wa CutMix
Uboreshaji kulingana na mchanganyiko sasa ni kawaida katika mapishi thabiti ya uainishaji wa picha na unasisitiza bomba za kisasa za mafunzo kwa vibadilishaji maono, ambavyo mara nyingi vinahitaji urekebishaji mzito. Utafiti unaendelea kuhusu vibadala vinavyotambua umuhimu (k.m., kupunguza maeneo ya taarifa), uchanganyaji wa kiwango cha tokeni kwa vibadilishaji umeme, na viendelezi vya sauti, maandishi na data ya 3D. Tarajia mikakati ya kuchanganya ili kubaki kigeugeu cha gharama ya chini kwa ajili ya kuimarisha usahihi, urekebishaji, na uthabiti huku usanifu unavyokua na njaa zaidi ya data.
Utekelezaji wa Ulimwengu Halisi
Funza viainishi vya ImageNet kwa kutumia CutMix ili kuongeza usahihi wa 1 na kuboresha ujanibishaji wa vitu.
Kutumia Mchanganyiko ili kuboresha urekebishaji wa muundo ili siri zilizotabiriwa zilingane na usahihi wa kweli.
Kurekebisha sana vibadilishaji maono (k.m., DeiT) na Mixup na CutMix iliyojumuishwa ili kutoa mafunzo kwa data ndogo.
Kuongeza uthabiti wa ufisadi wa taswira na pembejeo nje ya usambazaji katika mifumo muhimu ya maono ya usalama.
Hatari & Walinzi
Kuboresha kiwango kimoja kunaweza kuficha udhaifu mkubwa wa mfumo.
Gharama za miundombinu na matengenezo mara nyingi hupunguzwa.
Mapengo ya usalama na uonekanaji yanaweza kukua kadiri mifumo inavyozidi kuwa ngumu.
Ramani ya Utekelezaji
Bainisha muda, ubora na malengo ya gharama kabla ya utekelezaji.
Benchmark chini ya mzigo halisi na hali ya data.
Ufuatiliaji wa ala kwa makosa, kuteleza, na athari za mtumiaji.
Tayarisha njia za urejeshaji na majibu ya matukio kabla ya kuongeza ukubwa.
Endelea Kuchunguza
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
Mwongozo unaofuata
Kuongeza Muda wa Mtihani
Maswali yanayoulizwa mara kwa mara
What is Mixup and CutMix Augmentation?
Mixup na CutMix ni mbinu za kuongeza data zinazounda mifano mipya ya mafunzo kwa kuchanganya picha mbili na lebo zao. Mchanganyiko huingiliana kwa mpangilio picha nzima na lebo, huku CutMix inabandika kiraka cha mstatili kutoka kwa picha moja hadi nyingine na kuchanganya lebo kwa eneo la kiraka - zote mbili hupunguza kufifia kupita kiasi na kuboresha uimara.
Je, Mchanganyiko huundaje mfano mpya wa mafunzo?
Aina za mchanganyiko x̃ = λx_a + (1−λ)x_b na huchanganya lebo na λ sawa zilizotolewa kutoka kwa usambazaji wa Beta.
Kuna tofauti gani ya msingi kati ya CutMix na Mixup?
CutMix inakili eneo la mstatili kutoka kwa picha moja hadi nyingine, ikiweka maudhui yanayoambatana ndani ya nchi badala ya kuweka taswira mbili pamoja.
Katika CutMix, uzito wa kuchanganya (lambda) wa lebo huamuliwa vipi?
Uwiano wa lebo katika CutMix umewekwa na eneo la kisanduku kilichobandikwa kulingana na picha nzima, na kuweka lebo zinazolingana na saizi zinazoonekana.
Kando na picha ya kuingiza, ni nini kingine ambacho Mixup na CutMix hurekebisha?
Njia zote mbili huchanganya lebo pia, na kutoa shabaha laini ambazo hufanya kama aina inayotegemea data ya ulainishaji wa lebo.
Ni usambazaji gani unaotumiwa sana kuorodhesha mgawo wa mchanganyiko wa lambda?
Mixup na CutMix kawaida huchota λ kutoka kwa usambazaji wa Beta, ambayo hudhibiti jinsi mifano hiyo miwili inavyochanganywa.