A Survey on Mixup Augmentations and Beyond

随着深度神经网络在过去十年中取得了惊人的突破，数据增强在大规模标记数据不可用时作为正则化技术引起了越来越多的关注。在现有的增强方法中，混合增强和相关的数据混合方法通过组合选定的样本和相应的标签来生成数据依赖的虚拟数据，因此被广泛采用，因为它们能够在易于迁移到各种领域的同时产生高性能。本文综述了混合增强方法及其应用的全面回顾。首先，我们详细阐述了训练流程，将混合增强作为一个包含模块的统一框架。一个重新制定的框架可以包含各种混合增强方法，并提供直观的操作程序。然后，我们系统地研究了混合增强在视觉下游任务、各种数据模态以及混合增强的一些分析和定理方面的应用。同时，我们总结了混合增强研究的当前状况和限制，并指出了进一步的工作，以实现有效和高效的混合增强。本文综述可以为研究人员提供混合增强方法的最新技术和在混合增强领域的一些见解和指导作用。本文的在线项目可在\url{https://github.com/Westlake-AI/Awesome-Mixup}上找到。

Mixup数据增强方法的综述和应用

Mixup数据增强方法可以通过混合不同样本和相应的标签来生成虚拟数据，是一种有效的正则化技术，可以提高模型性能。论文对Mixup方法及其应用进行了全面的综述，并提出了一种统一的训练框架，包括各种Mixup方法和直观的操作过程。

论文系统地研究了Mixup数据增强方法在视觉任务、多种数据模态和一些分析和定理方面的应用。此外，论文还总结了Mixup研究的现状和局限性，并指出了进一步的研究方向。论文提供了一个在线项目，包括这篇综述和一些开源代码。

最近的相关研究包括CutMix、Ricap、Augmix等数据增强方法的研究。