概述
Mixup 和 CutMix 是資料增強方法，透過混合兩個影像及其標籤來建立新的訓練範例。 Mixup 對整個圖像和標籤進行線性插值，而 CutMix 將一個圖像中的矩形塊粘貼到另一張圖像上，並按塊區域混合標籤 - 既減少了過度擬合，又提高了穩健性。
Mixup 和 CutMix 增強是一個技術構建塊，會大規模影響模型品質、基礎設施成本、延遲和可靠性。
深入探討
Mixup（Zhang et al., 2017）形成一個新樣本 x̃ = λ·x_a + (1−λ)·x_b，標籤 ỹ 與相同的 λ 混合，其中 λ 是從 Beta 分佈中提取的。這鼓勵模型在範例之間表現出線性，從而平滑決策邊界並改進校準。 CutMix (Yun et al., 2019) 相反，從圖像 B 中剪切一個矩形區域並將其粘貼到圖像 A 上；標籤權重由每個圖像貢獻的像素比例設定。由於 CutMix 保持局部連貫的影像區域（而不是幽靈般的混合），因此它保留了有用的空間結構，同時仍迫使模型專注於多個物件和部分。這兩種技術都充當強大的正則化器，提高了 ImageNet 規模基準的準確性，並顯著提高了對損壞和對抗性輸入的穩健性。
技術洞察
兩種方法都會修改損失目標，而不僅僅是輸入。標籤變成了一個軟的、混合的目標，因此交叉熵損失是兩個類別的 λ 加權組合——實際上是與像素混合比相關的標籤平滑的一種形式。在 CutMix 中，λ 等於未改變像素的分數，透過剪切框面積除以總影像面積計算得出，這會使標籤比例與每個影像的可見部分保持一致。
掌握混音和 CutMix 增強
Mixup 和 CutMix 是資料增強方法，透過混合兩個影像及其標籤來建立新的訓練範例。 Mixup 對整個圖像和標籤進行線性插值，而 CutMix 將一個圖像中的矩形塊粘貼到另一張圖像上，並按塊區域混合標籤 - 既減少了過度擬合，又提高了穩健性。 Mixup 和 CutMix 增強是一個技術構建塊，會大規模影響模型品質、基礎設施成本、延遲和可靠性。為了建立深入的理解，請將 Mixup 和 CutMix 增強視為一種操作模型，而不是單一功能：定義所需的結果，澄清假設，並將系統可以可靠地執行的操作與仍需要專家判斷的操作分開。
在實踐中，強大的團隊使用 Mixup 和 CutMix Augmentation 根據可靠性和成本優化架構、資料和基礎架構選擇。他們記錄明確的成功標準，根據實際數據和工作流程進行測試，並根據觀察到的失敗模式而不是一次性基準測試勝利進行迭代。這就是理論理解轉變為跨產品、政策和營運的持久能力的地方。
多年來，架構決策決定著效能和營運成本。同時，優化一個基準測試可以隱藏更廣泛的系統弱點。最具彈性的方法是將實驗速度與治理規則結合：運行試點、捕獲證據、發布決策日誌，並隨著模型行為、使用者期望和監管要求的發展不斷更新保障措施。
戰略影響
多年來，架構決策決定著效能和營運成本。
多年來，架構決策決定著效能和營運成本。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
技術教育幫助團隊選擇正確的堆疊，而不僅僅是最新的堆疊。
技術教育幫助團隊選擇正確的堆疊，而不僅僅是最新的堆疊。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
更好的工程選擇可以減少生產中的可靠性事故。
更好的工程選擇可以減少生產中的可靠性事故。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
現實世界的實施
使用 CutMix 訓練 ImageNet 分類器以提高 top-1 準確度並改善物件的定位。
應用 Mixup 來改進模型校準，使預測的置信度更好地匹配真實的準確性。
結合 Mixup 和 CutMix 對視覺變換器（例如 DeiT）進行大量正則化，以在有限的數據上進行訓練。
提高安全關鍵視覺系統中影像損壞和分佈外輸入的穩健性。
實施模式
Mixup 和 CutMix 增強實踐
使用 CutMix 訓練 ImageNet 分類器以提高 top-1 準確度並改善物件的定位。
使用 CutMix 訓練 ImageNet 分類器以提高 top-1 準確度並改進物件定位 當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力提升和錯誤成本時，通常會獲得更好的結果。
Mixup 和 CutMix 增強實踐
應用 Mixup 來改進模型校準，使預測的置信度更好地匹配真實的準確性。
應用 Mixup 來改進模型校準，使預測的置信度更好地匹配真實的準確性。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力增益和錯誤成本時，通常會獲得更好的結果。
Mixup 和 CutMix 增強實踐
結合 Mixup 和 CutMix 對視覺變換器（例如 DeiT）進行大量正則化，以在有限的數據上進行訓練。
結合 Mixup 和 CutMix 對視覺轉換器（例如 DeiT）進行大量規範化，以在有限的數據上進行訓練當團隊預先定義質量閾值、為邊緣情況保留人工升級路徑並隨著時間的推移跟踪生產力增益和錯誤成本時，通常會獲得更好的結果。
Mixup 和 CutMix 增強實踐
提高安全關鍵視覺系統中影像損壞和分佈外輸入的穩健性。
提高安全關鍵視覺系統中對影像損壞和分佈外輸入的穩健性當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移跟踪生產力增益和錯誤成本時，通常會得到更好的結果。
風險與防護欄
優化一項基準測試可以隱藏更廣泛的系統弱點。
基礎設施和維護成本常常被低估。
隨著系統變得更加複雜，安全性和可觀察性差距可能會擴大。
實施路線圖
在實施之前定義延遲、品質和成本目標。
在實施之前定義延遲、品質和成本目標。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
在實際負載和資料條件下進行基準測試。
在實際負載和資料條件下進行基準測試。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
儀器監控錯誤、漂移和使用者影響。
儀器監控錯誤、漂移和使用者影響。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
在擴展之前準備回滾和事件回應路徑。
在擴展之前準備回滾和事件回應路徑。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。