混合樣本數據增強（Mixed Sample Data Augmentation，MSDA）目前非常火熱，由於其實現簡單且對性能提升確實有幫助，因此在圖像識別、聲音識別、GAN、半監督學習等領域均有廣泛的應用。
MSDA的代表性算法是Mixup，最早出現在ICLR2018的論文“Mixup: Beyond Empirical Risk Minimization”中。關於這篇論文，博主專門寫了一篇文章進行了介紹【深度學習】Mixup: Beyond Empirical Risk Minimization，有興趣的可以去看看。
Mixup算法的核心思想是按一定的比例隨機混合兩個訓練樣本及其標籤。這種混合方式不僅能夠增加樣本的多樣性，並且能夠使不同類別的決策邊界過渡更加平滑，減少了一些難例樣本的誤識別，模型的魯棒性得到提升，訓練時也比較穩定。下圖展示了基於Mixup算法的training pipeline，
受Mixup算法思想的啓發，大量MSDA算法湧現出來，包括結合Mixup和mask，對Mixup方法進行Adaptive學習等。目前，MSDA相關算法主要應用在分類任務中，其中圖像分類相關論文居多。但是，不同領域的研究者也在嘗試mixup方法和本領域任務的結合，比如NLP、Semi-supervised Learning、GAN等領域。
博主整理了近幾年MSDA相關論文和代碼，並分享在github上，地址如下，
https://github.com/JasonZhang156/awesome-mixed-sample-data-augmentation
如果大家對MSDA算法有興趣，可以star或者fork到自己的倉庫。
博主會對內容持續更新！