基于显著性引导的快速混合方法：随机梯度阈值化

AAAIDec, 2022

基于显著性引导的快速混合方法：随机梯度阈值化

Expeditious Saliency-guided Mix-up through Random Gradient Thresholding

Minh-Long Luu, Zeyi Huang, Eric P. Xing, Yong Jae Lee, Haohan Wang

TL;DR本文提出了一种新的方法叫做 R-Mix，它将随机性和显著性利用的最佳元素相结合，达到了速度、简单性和准确性的平衡，同时训练了一个基于分类器性能的混合策略决策代理，减少了对人类设计目标和超参数调整的依赖，并表现出优越的泛化、弱监督目标定位、校准和对抗性攻击鲁棒性，进一步证明了代理能够在实现自动混合方面发挥的最先进的水平。

Abstract

mix-up training approaches have proven to be effective in improving the generalization ability of deep neural networks. Over the years, the research community expands mix-up methods into two directions, with exte

mix-up training deep neural networks random mix-up weakly supervised object localization reinforcement learning

发现论文，激发创造

Co-Mixup: 基于显著性引导的超模复合联合 Mixup

本文提出了通过优化构建 mixup 数据的最佳方法以获得更好的神经网络推广性能和对数据干扰的鲁棒性，特别是使用基于模块化近似的迭代次模最小化算法来实现有效的 mixup 计算。

Feb, 2021

拼图混合：利用显著性和本地统计信息实现最佳混合

本研究提出了一种名为 Puzzle Mix 的混合方法，该方法使用卫星信息和自然例子的基本统计信息，以提高神经网络的性能和抗扰攻击能力。实验结果表明，Puzzle Mix 与其他混合方法相比，在 CIFAR-100、Tiny-ImageNet 和 ImageNet 数据集上均取得了最佳的泛化和对抗性鲁棒性结果。

Sep, 2020

引导 Mixup：由显著图引导的高效 Mixup 策略

提出了一种新的基于 saliency-aware 的 mixup 方法 ——GuidedMixup，通过一种高效的配对算法来最小化配对图像的显著区域间的冲突，平滑地插值两幅图像以更好地保留显著区域，并且可以在分类数据集上提供良好的计算效率与泛化性能之间的平衡。

Jun, 2023

显著性移植：基于无害归因引导的混合及标签混合校准技术

本文提出了一种新的混合方案，通过随机选择图像特征和标签之间的混合关系，生成多样化的样本，并使用最大显著性策略来校正随机采样引入的标签偏差，从而有效地提高了分类准确性。

Dec, 2021

SaliencyMix：一种基于显著性引导的数据增强策略，用于更好的正则化

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

AutoMix: 揭示 Mixup 的强大分类器之力

该论文提出了一种自动混合框架 ——AutoMix，它将混合分类分为两个子任务，并使用相应的子网络在双层优化框架中解决。AutoMix 在 9 个图像基准上的广泛实验表明，在各种分类场景和下游任务中，其优越性超过了现有技术。

Mar, 2021

mixup：超越经验风险最小化

这篇论文提出了一种名为 mixup 的学习原则，通过训练神经网络的凸组合来缓解其记忆和对抗性示例敏感等问题，实验表明 mixup 提高了最先进的神经网络结构的泛化性能，并减少了恶意标签的记忆，增强了对抗性示例的鲁棒性，并稳定了生成对抗网络的训练。

Oct, 2017

使用场景无关混合增强辨别性视觉表示学习

本文研究了 MixUp 生成的目标函数，提出了一种包括自监督学习在内的 SAMix 算法解决该问题，并使用 Mixer 模型来避免在线训练的计算成本。实验证明，SAMix 表现卓越。

Nov, 2021

对抗自动混合

通过交替优化分类器和混合样本生成器，我们提出了一种对抗性自动混合增强方法 AdAutomixup，用于生成具有挑战性的样本以训练强大的图像分类器，并通过引入指数移动平均教师和余弦相似度来防止图像内在意义的崩溃。大量实验证明，我们的方法在各种分类场景中优于现有技术水平。

Dec, 2023

G-Mix: 通向扁平极小值的广义 Mixup 学习框架

深度神经网络（DNN）面临着超参数化的挑战，特别是在训练数据有限的情况下。为了增强 DNN 的泛化能力，我们提出了一种名为 Generalized-Mixup 的新学习框架，将 Mixup 和 Sharpness-Aware Minimization（SAM）的优势结合起来进行 DNN 模型训练。理论分析表明，开发的 G-Mix 框架可以增强泛化能力。此外，为了进一步优化 DNN 性能，我们引入了两种新算法：Binary G-Mix 和 Decomposed G-Mix。这些算法根据每个示例的锐度敏感性将训练数据划分为两个子集，以解决 Mixup 中 “流形入侵” 的问题。理论解释和实验结果均表明，所提出的 BG-Mix 和 DG-Mix 算法进一步提高了多个数据集和模型的模型泛化能力，实现了最先进的性能。

Aug, 2023