CutMix 是一种数据增强技术，它通过从一张图像中剪切一个区域并将其粘贴到另一张图像中，然后根据混合区域的面积按比例调整标签，从而组合两个训练图像。 与翻转或旋转等改变单个图像的方法不同，CutMix 明确鼓励模型从混合样本中学习。 例如，如果一张狗的图像有 30% 的面积被一张猫的图像的补丁替换，则标签变为混合：70%“狗”和 30%“猫”。 这迫使模型识别来自两个类的部分特征和上下文，从而提高泛化能力。
该过程包括三个步骤。 首先，从训练批次中选择两个图像。 在第一个图像中生成一个随机矩形区域（边界框），其大小和位置由一个超参数决定（通常从 Beta 分布中采样）。 这个区域被剪切并粘贴到第二个图像中，替换相应的区域。 然后根据混合区域的面积比调整标签。 例如，如果将 100x100 的补丁粘贴到 200x200 的图像中，则标签权重将为 75% 原始图像和 25% 插入的补丁。 这种方法比 MixUp（混合像素）等方法保留了更多的空间信息，并且比 CutOut（简单地移除区域）提供了更丰富的上下文。
开发人员可以使用 PyTorch 或 TensorFlow 等框架高效地实现 CutMix。 例如，在 PyTorch 中，可以对一批图像进行洗牌，并创建一个随机掩码来混合配对。 修改损失函数以使用混合标签，只需对现有训练循环进行最少的更改。 一个关键的考虑因素是平衡 Beta 分布参数：较高的 alpha 值（例如，Beta(1,1)）会增加补丁大小的可变性。 CutMix 在诸如目标检测之类的任务中特别有效，在这些任务中，目标的部分可见性很常见，并且通过创建更难的训练示例来帮助减少过度拟合。 但是，它可能需要调整标签平滑因子，以避免在补丁重叠关键特征时混淆模型。