混合样本数据增强（Mixed Sample Data Augmentation）

混合样本数据增强（Mixed Sample Data Augmentation，MSDA）目前非常火热，由于其实现简单且对性能提升确实有帮助，因此在图像识别、声音识别、GAN、半监督学习等领域均有广泛的应用。

MSDA的代表性算法是Mixup，最早出现在ICLR2018的论文“Mixup: Beyond Empirical Risk Minimization”中。关于这篇论文，博主专门写了一篇文章进行了介绍【深度学习】Mixup: Beyond Empirical Risk Minimization，有兴趣的可以去看看。

Mixup算法的核心思想是按一定的比例随机混合两个训练样本及其标签。这种混合方式不仅能够增加样本的多样性，并且能够使不同类别的决策边界过渡更加平滑，减少了一些难例样本的误识别，模型的鲁棒性得到提升，训练时也比较稳定。下图展示了基于Mixup算法的training pipeline，

受Mixup算法思想的启发，大量MSDA算法涌现出来，包括结合Mixup和mask，对Mixup方法进行Adaptive学习等。目前，MSDA相关算法主要应用在分类任务中，其中图像分类相关论文居多。但是，不同领域的研究者也在尝试mixup方法和本领域任务的结合，比如NLP、Semi-supervised Learning、GAN等领域。

博主整理了近几年MSDA相关论文和代码，并分享在github上，地址如下，

https://github.com/JasonZhang156/awesome-mixed-sample-data-augmentation

如果大家对MSDA算法有兴趣，可以star或者fork到自己的仓库。

博主会对内容持续更新！