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。

Dec, 2022

本文从数据增强和弱监督学习的角度研究了变化检测的泛化问题，提出了一种基于背景混合数据增强和虚假标签的弱监督训练方法，并设计了一种增强数据一致性损失以显著提高模型的泛化能力。经过广泛的实验验证，在两个公共数据集中，该方法可以增强四种最先进的变化检测方法，证明了它的优势。

Nov, 2022

提出一种新的数据增广方法 SelecMix，旨在解决神经网络训练中数据偏差带来的问题，并在标准基准测试中证明了其有效性，尤其是在标签噪声情况下。

Nov, 2022

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

本文提出了一种使用 beta 混合模型作为无监督生成模型，实时估计样本被错误标记的概率的方法，并通过 bootstrapping loss 来校正模型。同时，作者还对 mixup 数据增强方法做了进一步优化，实验证明该方法具有比最近最先进的方法更强的标签噪声鲁棒性。

Apr, 2019

基于模型参数插值的少数 scribble 引导的 ModelMix 方法，在像素级稠密标注资源密集且耗时的情况下，通过弱标签如 scribbles 提供了一种更可行的替代方法，有效地进行各个分割任务的训练。在无监督和 scribble 监督的方式下，经过三个开放数据集的验证，我们的 ModelMix 在少量 scribble 引导下显著超越了最先进的 scribble 监督方法的性能。

Jun, 2024

通过使用多个多样的部分标记数据集，本研究提出了一种新的标签丢失方案以改善心脏超声分割效果，使得模型能够适应各种图像和数据源的多样性。

Mar, 2024

本文提出了一种监督式混合增强方法 SuperMix，使用牛顿迭代方法来提高效率，在对象分类和知识蒸馏任务中通过广泛的评估和消融研究验证了其有效性，将混合图像纳入蒸馏目标可显著提高结果。

Mar, 2020

本文针对深度学习在多轨混音中的应用进行了研究和探索，提出了一种基于领域的模型，使用预训练的子网络和权重共享，并采用求和 / 差分立体声损失函数进行训练，得到的可用于人工调整或完善的混音参数表现出优异的表现。这是第一篇在波形级别上从实际数据中学习多轨混音约定的方法的研究。

Oct, 2020

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