摘要

数据混合增强（data mixing augmentation）已被证明能够有效提升深度神经网络的泛化能力。早期方法通常采用人工设计的策略（如线性插值）进行样本混合，而近期方法则利用显著性信息，通过复杂的离线优化过程来实现混合样本与标签的精准匹配。然而，这一过程在混合策略的精确性与优化复杂度之间形成了权衡。为解决该挑战，本文提出一种新颖的自动混合框架——AutoMix，其中混合策略以参数化形式表示，并直接服务于最终的分类目标。具体而言，AutoMix将混合分类任务重构为两个子任务（即混合样本生成与混合分类），并分别设计对应的子网络，通过双层优化框架协同求解。在样本生成方面，我们设计了一个可学习的轻量级混合生成模块——Mix Block，该模块通过建模图像块间的局部关系，在对应混合标签的直接监督下生成混合样本。为进一步缓解双层优化带来的退化与不稳定性问题，我们引入了一种动量流水线机制，实现AutoMix的端到端训练。在九个图像基准数据集上的大量实验表明，与当前最先进的方法相比，AutoMix在多种分类场景及下游任务中均展现出显著优越的性能。