Was sind Mixup und Cutmix? Wie beeinflussen sie die Regularisierung?

Mixup und CutMix sind Datenaugmentierungsmethoden, die verwendet werden, um die Generalisierungsfähigkeit von Modellen zu verbessern, insbesondere bei Computer-Vision-Aufgaben.

• Mixup besteht darin, zwei Bilder und ihre Labels linear zu vermischen. Zum Beispiel wird ein neues Bild als gewichtete Summe zweier Originalbilder erstellt, und das Label als gewichtete Summe ihrer Labels. Dies hilft dem Modell, auf Zwischenbeispielen zu lernen, was Überanpassung reduziert.

• CutMix anstelle des Mischens des gesamten Bildes schneidet einen rechteckigen Bereich aus einem Bild aus und fügt ihn in ein anderes ein, wobei das Label proportional zur Fläche des eingefügten Bereichs gebildet wird. Dies erhält lokale Merkmale und fördert ein stabileres Training.

Beide Methoden dienen als Regularisierer, da sie das Modell dazu zwingen, weniger zu vertrauen und widerstandsfähiger gegen Rauschen zu sein, was die Generalisierung verbessert und Überanpassung reduziert.