最近有兩種很有趣數據增強手法，一個是依照透明度把兩張圖片疊合的mixup，以及以不定大小位置的塊狀互換的方式的cutmix，前者在計算交叉熵時是以兩種標籤0.5/0.5方式計算，後者則是依照色塊大小比例分攤，實作都不複雜，由於這兩種手法都可以直接整個批次tensor一次處理，不需逐張處理，也因此計算開銷不是很大（附圖是我實現的圖），但我並不像原作如此大膽只使用這種樣本訓練，我採取損失函數疊加，傳統圖像分類交叉熵再加上0.5倍的mixup/cutmix樣本交叉熵。

初步測試結果，用了的確收斂速度變快，雖然top 3 accuracy差不多，但是用了mixup/cutmix的top1 accuracy就高出了5%左右，mixup效果看起來是穩定一些，cutmix 效果比較起伏，我認為是有剛好物體不在色塊中的狀況干擾了cutmix的效果，所以我覺得這些技術可以成為輔助訓練提升幾個百分點的trick，基本上還不能算是影響重大的新概念。

但這類算法能解決一個困擾已久的問題，那就是onehot形式的標籤是建構在只有一個完美答案的前提下，但是數據可能有標注錯誤，分類也有可能會有模糊地帶，利用這兩種方法就直接打破onehot 的概念，從fit標籤的值，變成去fit標籤的分佈，這讓機器從原有的「不是答案就算錯」的onehot思維，轉換到「那些是最有可能的答案」的分佈思維，這樣標籤標注錯誤與分類模糊區域的問題也可以基於fit 標籤的分佈的思路迎刃而解，所以也算是使用這兩個技術的另一種正面意義

mixup : https://arxiv.org/pdf/1710.09412
cutmix : https://arxiv.org/abs/1905.04899