Tổng quan
Mixup và CutMix là các phương pháp tăng cường dữ liệu tạo ra các ví dụ đào tạo mới bằng cách trộn hai hình ảnh và nhãn của chúng. Mixup nội suy tuyến tính toàn bộ hình ảnh và nhãn, trong khi CutMix dán một miếng vá hình chữ nhật từ hình ảnh này sang hình ảnh khác và trộn các nhãn theo vùng vá - cả hai đều giảm tình trạng trang bị quá mức và cải thiện độ chắc chắn.
Mixup và CutMix Augmentation là một khối xây dựng kỹ thuật ảnh hưởng đến chất lượng mô hình, chi phí cơ sở hạ tầng, độ trễ và độ tin cậy trên quy mô lớn.
Lặn sâu
Mixup (Zhang và cộng sự, 2017) tạo thành một mẫu mới dưới dạng x̃ = λ·x_a + (1−λ)·x_b với nhãn kỹ thuật được trộn bởi cùng một λ, trong đó λ được rút ra từ phân phối Beta. Điều này khuyến khích mô hình hoạt động tuyến tính giữa các ví dụ, làm mịn ranh giới quyết định và cải thiện hiệu chuẩn. Thay vào đó, CutMix (Yun và cộng sự, 2019) cắt một vùng hình chữ nhật từ hình ảnh B và dán nó vào hình ảnh A; trọng số nhãn được đặt theo tỷ lệ pixel mà mỗi hình ảnh đóng góp. Bởi vì CutMix giữ các vùng hình ảnh nhất quán cục bộ (chứ không phải sự pha trộn ma quái), nên nó bảo tồn cấu trúc không gian hữu ích trong khi vẫn buộc mô hình phải chú ý đến nhiều đối tượng và bộ phận. Cả hai kỹ thuật đều hoạt động như những công cụ điều chỉnh mạnh mẽ, nâng cao độ chính xác trên các điểm chuẩn ở quy mô ImageNet và cải thiện đáng kể tính mạnh mẽ đối với các lỗi và đầu vào đối nghịch.
Hiểu biết kỹ thuật
Cả hai phương pháp đều sửa đổi mục tiêu mất, không chỉ đầu vào. Nhãn trở thành mục tiêu hỗn hợp, mềm, do đó, mất entropy chéo là sự kết hợp có trọng số λ của hai lớp - một dạng làm mịn nhãn hiệu quả gắn liền với tỷ lệ trộn pixel. Trong CutMix, λ bằng tỷ lệ pixel không thay đổi, được tính từ diện tích hộp cắt chia cho tổng diện tích hình ảnh, giúp giữ tỷ lệ nhãn nhất quán với mức độ hiển thị của mỗi hình ảnh.
Làm chủ Mixup và CutMix Augmentation
Mixup và CutMix là các phương pháp tăng cường dữ liệu tạo ra các ví dụ đào tạo mới bằng cách trộn hai hình ảnh và nhãn của chúng. Mixup nội suy tuyến tính toàn bộ hình ảnh và nhãn, trong khi CutMix dán một miếng vá hình chữ nhật từ hình ảnh này sang hình ảnh khác và trộn các nhãn theo vùng vá - cả hai đều giảm tình trạng trang bị quá mức và cải thiện độ chắc chắn. Mixup và CutMix Augmentation là một khối xây dựng kỹ thuật ảnh hưởng đến chất lượng mô hình, chi phí cơ sở hạ tầng, độ trễ và độ tin cậy trên quy mô lớn. Để xây dựng sự hiểu biết sâu sắc, hãy coi Mixup và CutMix Augmentation như một mô hình vận hành chứ không phải một tính năng duy nhất: xác định kết quả mong muốn, làm rõ các giả định và tách biệt những gì hệ thống có thể thực hiện một cách đáng tin cậy với những gì vẫn cần đến sự đánh giá của chuyên gia.
Trong thực tế, các nhóm mạnh sử dụng Mixup và CutMix Augmentation sẽ tối ưu hóa các lựa chọn về kiến trúc, dữ liệu và cơ sở hạ tầng theo độ tin cậy và chi phí. Họ ghi lại các tiêu chí thành công rõ ràng, kiểm tra dựa trên dữ liệu và quy trình làm việc thực tế, đồng thời lặp lại dựa trên các kiểu thất bại được quan sát thay vì chiến thắng điểm chuẩn một lần. Đây là nơi sự hiểu biết về mặt lý thuyết biến thành khả năng bền vững trên toàn bộ sản phẩm, chính sách và hoạt động.
Các quyết định về kiến trúc sẽ thúc đẩy hiệu suất và chi phí vận hành trong nhiều năm. Đồng thời, Tối ưu hóa một điểm chuẩn có thể che giấu những điểm yếu lớn hơn của hệ thống. Cách tiếp cận linh hoạt nhất là kết hợp tốc độ thử nghiệm với kỷ luật quản trị: chạy thử nghiệm, thu thập bằng chứng, xuất bản nhật ký quyết định và liên tục cập nhật các biện pháp bảo vệ khi hành vi của mô hình, kỳ vọng của người dùng và các yêu cầu pháp lý phát triển.
Tác động chiến lược
Các quyết định về kiến trúc sẽ thúc đẩy hiệu suất và chi phí vận hành trong nhiều năm.
Các quyết định về kiến trúc sẽ thúc đẩy hiệu suất và chi phí vận hành trong nhiều năm. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Giáo dục kỹ thuật giúp các nhóm chọn nhóm phù hợp chứ không chỉ nhóm mới nhất.
Giáo dục kỹ thuật giúp các nhóm chọn nhóm phù hợp chứ không chỉ nhóm mới nhất. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Lựa chọn kỹ thuật tốt hơn làm giảm sự cố về độ tin cậy trong sản xuất.
Lựa chọn kỹ thuật tốt hơn làm giảm sự cố về độ tin cậy trong sản xuất. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Triển khai trong thế giới thực
Đào tạo các trình phân loại ImageNet bằng CutMix để nâng cao độ chính xác hàng đầu và cải thiện việc bản địa hóa các đối tượng.
Áp dụng Mixup để cải thiện việc hiệu chỉnh mô hình để độ tin cậy được dự đoán phù hợp hơn với độ chính xác thực.
Thường xuyên hóa mạnh mẽ các bộ biến đổi tầm nhìn (ví dụ: DeiT) với Mixup và CutMix kết hợp để đào tạo trên dữ liệu hạn chế.
Tăng cường khả năng chống hỏng hình ảnh và đầu vào không được phân phối trong các hệ thống thị giác quan trọng về an toàn.
Các mẫu triển khai
Tăng cường Mixup và CutMix trong thực tế
Đào tạo các trình phân loại ImageNet bằng CutMix để nâng cao độ chính xác hàng đầu và cải thiện việc bản địa hóa các đối tượng.
Đào tạo các bộ phân loại ImageNet bằng CutMix để nâng cao độ chính xác hàng đầu và cải thiện việc bản địa hóa các đối tượng Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Tăng cường Mixup và CutMix trong thực tế
Áp dụng Mixup để cải thiện việc hiệu chỉnh mô hình để độ tin cậy được dự đoán phù hợp hơn với độ chính xác thực.
Áp dụng Mixup để cải thiện hiệu chỉnh mô hình để độ tin cậy được dự đoán phù hợp hơn với độ chính xác thực Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước ngưỡng chất lượng, theo dõi lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Tăng cường Mixup và CutMix trong thực tế
Thường xuyên hóa mạnh mẽ các bộ biến đổi tầm nhìn (ví dụ: DeiT) với Mixup và CutMix kết hợp để đào tạo trên dữ liệu hạn chế.
Thường xuyên hóa mạnh mẽ các biến áp tầm nhìn (ví dụ: DeiT) với Mixup và CutMix kết hợp để đào tạo trên dữ liệu hạn chế. Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Tăng cường Mixup và CutMix trong thực tế
Tăng cường khả năng chống hỏng hình ảnh và đầu vào không được phân phối trong các hệ thống thị giác quan trọng về an toàn.
Tăng tính mạnh mẽ đối với lỗi hình ảnh và đầu vào ngoài phân phối trong các hệ thống tầm nhìn quan trọng về an toàn. Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp phức tạp và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Rủi ro & lan can
Tối ưu hóa một điểm chuẩn có thể che giấu những điểm yếu của hệ thống rộng hơn.
Chi phí cơ sở hạ tầng và bảo trì thường được đánh giá thấp.
Khoảng cách về bảo mật và khả năng quan sát có thể tăng lên khi hệ thống trở nên phức tạp hơn.
Lộ trình thực hiện
Xác định các mục tiêu về độ trễ, chất lượng và chi phí trước khi triển khai.
Xác định các mục tiêu về độ trễ, chất lượng và chi phí trước khi triển khai. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Điểm chuẩn trong điều kiện tải và dữ liệu thực tế.
Điểm chuẩn trong điều kiện tải và dữ liệu thực tế. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Giám sát thiết bị về lỗi, độ lệch và tác động của người dùng.
Giám sát thiết bị về lỗi, độ lệch và tác động của người dùng. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Chuẩn bị đường dẫn khôi phục và ứng phó sự cố trước khi mở rộng quy mô.
Chuẩn bị đường dẫn khôi phục và ứng phó sự cố trước khi mở rộng quy mô. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.