概述
Mixup 和 CutMix 是数据增强方法，通过混合两个图像及其标签来创建新的训练示例。 Mixup 对整个图像和标签进行线性插值，而 CutMix 将一个图像中的矩形块粘贴到另一张图像上，并按块区域混合标签 - 既减少了过度拟合，又提高了鲁棒性。
Mixup 和 CutMix 增强是一个技术构建块，会大规模影响模型质量、基础设施成本、延迟和可靠性。
深入探讨
Mixup（Zhang et al., 2017）形成一个新样本 x̃ = λ·x_a + (1−λ)·x_b，标签 ỹ 与相同的 λ 混合，其中 λ 是从 Beta 分布中提取的。这鼓励模型在示例之间表现出线性，从而平滑决策边界并改进校准。 CutMix (Yun et al., 2019) 相反，从图像 B 中剪切一个矩形区域并将其粘贴到图像 A 上；标签权重由每个图像贡献的像素比例设置。由于 CutMix 保持局部连贯的图像区域（而不是幽灵般的混合），因此它保留了有用的空间结构，同时仍然迫使模型关注多个对象和部分。这两种技术都充当强大的正则化器，提高了 ImageNet 规模基准的准确性，并显着提高了对损坏和对抗性输入的鲁棒性。
技术洞察
两种方法都会修改损失目标，而不仅仅是输入。标签变成了一个软的、混合的目标，因此交叉熵损失是两个类别的 λ 加权组合——实际上是与像素混合比相关的标签平滑的一种形式。在 CutMix 中，λ 等于未改变像素的分数，通过剪切框面积除以总图像面积计算得出，这使标签比例与每个图像的可见部分保持一致。
掌握混音和 CutMix 增强
Mixup 和 CutMix 是数据增强方法，通过混合两个图像及其标签来创建新的训练示例。 Mixup 对整个图像和标签进行线性插值，而 CutMix 将一个图像中的矩形块粘贴到另一张图像上，并按块区域混合标签 - 既减少了过度拟合，又提高了鲁棒性。 Mixup 和 CutMix 增强是一个技术构建块，会大规模影响模型质量、基础设施成本、延迟和可靠性。为了建立深入的理解，请将 Mixup 和 CutMix 增强视为一种操作模型，而不是单一功能：定义所需的结果，澄清假设，并将系统可以可靠地执行的操作与仍需要专家判断的操作分开。
在实践中，强大的团队使用 Mixup 和 CutMix Augmentation 根据可靠性和成本优化架构、数据和基础设施选择。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
多年来，架构决策决定着性能和运营成本。与此同时，优化一个基准测试可以隐藏更广泛的系统弱点。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
多年来，架构决策决定着性能和运营成本。
多年来，架构决策决定着性能和运营成本。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
技术教育帮助团队选择正确的堆栈，而不仅仅是最新的堆栈。
技术教育帮助团队选择正确的堆栈，而不仅仅是最新的堆栈。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
更好的工程选择可以减少生产中的可靠性事故。
更好的工程选择可以减少生产中的可靠性事故。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
使用 CutMix 训练 ImageNet 分类器以提高 top-1 准确度并改善对象的定位。
应用 Mixup 来改进模型校准，使预测的置信度更好地匹配真实的准确性。
结合 Mixup 和 CutMix 对视觉变换器（例如 DeiT）进行大量正则化，以在有限的数据上进行训练。
提高安全关键视觉系统中图像损坏和分布外输入的鲁棒性。
实施模式
Mixup 和 CutMix 增强实践
使用 CutMix 训练 ImageNet 分类器以提高 top-1 准确度并改善对象的定位。
使用 CutMix 训练 ImageNet 分类器以提高 top-1 准确度并改进对象定位 当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
Mixup 和 CutMix 增强实践
应用 Mixup 来改进模型校准，使预测的置信度更好地匹配真实的准确性。
应用 Mixup 来改进模型校准，使预测的置信度更好地匹配真实的准确性。当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力增益和错误成本时，通常会获得更好的结果。
Mixup 和 CutMix 增强实践
结合 Mixup 和 CutMix 对视觉变换器（例如 DeiT）进行大量正则化，以在有限的数据上进行训练。
结合 Mixup 和 CutMix 对视觉转换器（例如 DeiT）进行大量规范化，以在有限的数据上进行训练当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
Mixup 和 CutMix 增强实践
提高安全关键视觉系统中图像损坏和分布外输入的鲁棒性。
提高安全关键视觉系统中对图像损坏和分布外输入的鲁棒性当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会得到更好的结果。
风险与防护栏
优化一项基准测试可以隐藏更广泛的系统弱点。
基础设施和维护成本常常被低估。
随着系统变得更加复杂，安全性和可观察性差距可能会扩大。
实施路线图
在实施之前定义延迟、质量和成本目标。
在实施之前定义延迟、质量和成本目标。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在实际负载和数据条件下进行基准测试。
在实际负载和数据条件下进行基准测试。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
仪器监控错误、漂移和用户影响。
仪器监控错误、漂移和用户影响。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在扩展之前准备回滚和事件响应路径。
在扩展之前准备回滚和事件响应路径。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。