Mixup 数据增强方法及其扩展综述

随着深度神经网络在过去十年中取得了令人振奋的突破，在缺乏大量标注数据的情况下，数据增强作为一种正则化技术受到了越来越多的关注。在现有的增强方法中，Mixup 及其相关的数据混合方法通过对选定的样本及其对应标签进行凸组合，得到了广泛采用。这些方法通过生成依赖于数据的虚拟数据，不仅带来了高性能，还能轻松迁移至各种领域。本综述对基础的 Mixup 方法及其应用进行了全面的回顾。我们首先详细阐述了以 Mixup 数据增强为统一框架的训练流程，该框架包含多个模块。重构后的框架能够涵盖各种 Mixup 方法，并给出直观的操作流程。随后，我们系统地调研了 Mixup 数据增强在视觉下游任务、各种数据模态以及一些关于 Mixup 的分析与定理方面的应用。同时，我们总结了 Mixup 研究的现状与局限性，并指出了未来高效 Mixup 数据增强的研究方向。本综述能够为研究人员提供 Mixup 方法的最新技术现状，并在 Mixup 领域提供一些见解与指导。与本综述配套的在线项目可在 https://github.com/Westlake-AI/Awesome-Mixup 获取。