该论文提出了一种名为 CutMix 的数据增强策略，该策略结合了区域 dropout 策略和图像贴图技巧，其旨在提高卷积神经网络的分类性能，改善对象定位和提高网络的鲁棒性。实验结果显示，CutMix 方法在 ImageNet 数据集上的分类任务中能够持续地超越当前领先的数据增强方法，同时还能提高由其预训练的分类器在 Pascal 检测和 MSCOCO 图像字幕生成等任务中的表现。

May, 2019

本文提出利用插值增强点云的数据，定义了点云之间的最短路径线性插值，介绍了 PointMixup 方法进行插值，可以引入基于插值的正则化方法，例如 mixup 和 manifold mixup，证明了 PointMixup 可以找到点云之间的最短路径，实验显示它能够显著提高点云分类的性能，特别是在数据不足以及噪声和几何变形的情况下。

Aug, 2020

本研究提出了一种新的数据增强方法 RSMix，它能够有效地对点云数据进行正则化来减轻深度神经网络的过拟合问题，并通过丰富的消融研究分析了 RSMix 与单视角和多视角数据增强的组合。

Feb, 2021

本文提出了一种基于 Attentive CutMix 的图像分类数据增强策略，在训练过程中利用中间层的注意力图寻找最具有辨别度的图像区域，能够显著提高基于卷积神经网络的图像分类性能。

Mar, 2020

该研究提出了一种名为 SaliencyMix 的新型数据增强方法，能够有效地提高深度学习模型的泛化能力，使得该模型在图像分类上取得了最佳效果。

Jun, 2020

本文提出了 PatchMixer 架构，通过处理局部补丁和使用 MLP 聚合补丁特征，将 MLP-Mixer 的思想扩展到 3D 点云中，以提高深度网络架构的泛化性能。

Jul, 2023

通过研究发现，基于图像显著性信息的数据混合并不一定对增强性能有太大帮助，采用更有效、更易于实现的 ResizeMix 方法进行数据混合比 CutMix 和基于显著性信息的方法更具优势。

Dec, 2020

PolarMix 是一种点云数据增强技术，通过两个跨扫描的增强策略实现数据的丰富和保真，能够在不同的感知任务和场景中有效缓解数据限制，并能为各种 3D 深度架构提供即插即用，并且在无监督领域适应中也表现出良好的性能。

Jul, 2022

这篇论文提出了 PointAugment 自动增强框架，使用对抗性学习策略自动优化和增强点云样本以增加数据多样性，在形状分类方面取得良好表现。

Feb, 2020

本研究提出了一种通用的点集操作符 PointMixer，通过在多点集之间进行功能混合，提高了针对点云的神经网络的性能，从而在语义分割、分类和点重建等任务中超过了以 Transformer 为基础的方法。

Nov, 2021