Karıştırma ve CutMix Arttırma
Mixup ve CutMix, iki görüntüyü ve etiketlerini harmanlayarak yeni eğitim örnekleri oluşturan veri artırma yöntemleridir.
Genel Bakış
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.
Derin Dalış
Karıştırma (Zhang ve diğerleri, 2017), ỹ etiketinin aynı λ ile karıştırıldığı x̃ = λ·x_a + (1−λ)·x_b şeklinde yeni bir örnek oluşturur; burada λ, bir Beta dağılımından alınır. Bu, modelin örnekler arasında doğrusal davranmasını, karar sınırlarını yumuşatmasını ve kalibrasyonu iyileştirmesini teşvik eder. CutMix (Yun ve diğerleri, 2019) bunun yerine görüntü B'den dikdörtgen bir bölge keser ve bunu görüntü A'ya yapıştırır; etiket ağırlıkları her görüntünün katkıda bulunduğu piksel oranına göre ayarlanır. CutMix, (hayalet karışımlar yerine) yerel olarak tutarlı görüntü bölgelerini koruduğu için, kullanışlı mekansal yapıyı korurken modeli birden fazla nesne ve parçaya katılmaya zorlar. Her iki teknik de güçlü düzenleyiciler olarak hareket eder, ImageNet ölçekli kıyaslamalarda doğruluğu artırır ve özellikle yolsuzluklara ve rakip girdilere karşı sağlamlığı artırır.
Teknik Bilgi
Her iki yöntem de yalnızca girişi değil, kayıp hedefini de değiştirir. Etiket yumuşak, karışık bir hedef haline gelir, bu nedenle çapraz entropi kaybı, iki sınıfın λ ağırlıklı bir kombinasyonudur - etkili bir şekilde piksel karışım oranına bağlı bir etiket yumuşatma biçimidir. CutMix'te λ, kesme kutusu alanının toplam görüntü alanına bölünmesiyle hesaplanan değiştirilmemiş piksellerin fraksiyonuna eşittir; bu, etiket oranını her görüntünün ne kadarının görünür olduğuyla tutarlı tutar.
Stratejik Etki
Maliyet ve bütçe
Mimari kararlar yıllarca performansı ve işletme maliyetini etkiler.
Daha net kararlar
Teknik eğitim, ekiplerin yalnızca en yenisini değil, doğru yığını seçmesine de yardımcı olur.
Quality control
Daha iyi mühendislik seçenekleri, üretimdeki güvenilirlik olaylarını azaltır.
Mixup ve CutMix Augmentasyonunun Geleceği
Karma tabanlı büyütme artık güçlü görüntü sınıflandırma tariflerinde standarttır ve genellikle yoğun düzenleme gerektiren görüntü transformatörleri için modern eğitim hatlarını desteklemektedir. Belirginliğin farkında olan değişkenler (örneğin bilgilendirici bölgelere kesintiler yerleştirmek), transformatörler için simge düzeyinde miksaj ve ses, metin ve 3D verilere yönelik uzantılar üzerinde araştırmalar devam ediyor. Mimariler veriye aç hale geldikçe, karıştırma stratejilerinin doğruluğu, kalibrasyonu ve sağlamlığı artırmak için düşük maliyetli bir araç olarak kalmasını bekleyebilirsiniz.
Gerçek Dünya Uygulaması
İlk 1 doğruluğu artırmak ve nesnelerin yerelleştirilmesini geliştirmek için ImageNet sınıflandırıcılarını CutMix ile eğitin.
Tahmin edilen güvenirliklerin gerçek doğrulukla daha iyi eşleşebilmesi için model kalibrasyonunu iyileştirmek üzere Karıştırma uygulanması.
Sınırlı veriler üzerinde eğitim vermek için birleştirilmiş Mixup ve CutMix ile görüş transformatörlerini (örn. DeiT) büyük ölçüde düzenliyor.
Güvenlik açısından kritik görüş sistemlerinde görüntü bozulmalarına ve dağıtım dışı girdilere karşı dayanıklılığın artırılması.
Riskler ve Korkuluklar
Bir kıyaslamayı optimize etmek daha geniş sistem zayıflıklarını gizleyebilir.
Altyapı ve bakım maliyetleri genellikle hafife alınır.
Sistemler karmaşıklaştıkça güvenlik ve gözlemlenebilirlik boşlukları büyüyebilir.
Uygulama Yol Haritası
Uygulamadan önce gecikmeyi, kaliteyi ve maliyet hedeflerini tanımlayın.
Gerçekçi yük ve veri koşulları altında kıyaslama yapın.
Hatalar, sapmalar ve kullanıcı etkisi için cihaz izleme.
Ölçeklendirmeden önce geri alma ve olay müdahale yollarını hazırlayın.
Keşfetmeye Devam Edin
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
Test Süresinin Artırılması
Sık sorulan sorular
What is Mixup and CutMix Augmentation?
Mixup ve CutMix, iki görüntüyü ve etiketlerini harmanlayarak yeni eğitim örnekleri oluşturan veri artırma yöntemleridir. Mixup, tüm görüntüleri ve etiketleri doğrusal olarak enterpolasyona tabi tutarken CutMix, dikdörtgen bir yamayı bir görüntüden diğerine yapıştırır ve etiketleri yama alanına göre karıştırır; hem aşırı uyumu azaltır hem de sağlamlığı artırır.
Mixup nasıl yeni bir eğitim örneği oluşturur?
Karıştırma x̃ = λx_a + (1−λ)x_b'yi oluşturur ve etiketleri bir Beta dağılımından alınan aynı λ ile karıştırır.
CutMix ve Mixup arasındaki temel fark nedir?
CutMix, iki görüntüyü bir arada gölgelemek yerine yerel olarak tutarlı içeriği koruyarak dikdörtgen bir bölgeyi bir görüntüden diğerine kopyalar.
CutMix'te etiketlerin karışım ağırlığı (lambda) nasıl belirleniyor?
CutMix'teki etiket oranı, yapıştırılan kutunun tüm görüntüye göre alanına göre ayarlanır, böylece etiketler görünür piksellerle tutarlı kalır.
Giriş görüntüsünün yanı sıra Mixup ve CutMix başka neyi değiştirir?
Her iki yöntem de etiketleri karıştırır ve verilere bağlı bir etiket yumuşatma biçimi gibi davranan yumuşak hedefler üretir.
Karışım katsayısı lambdasını örneklemek için yaygın olarak hangi dağılım kullanılır?
Mixup ve CutMix genellikle iki örneğin ne kadar güçlü karıştırıldığını kontrol eden bir Beta dağılımından λ çeker.