简介：
本文介绍了一个数据增强技术，名为SamplePairing。SamplePairing的实现方式，只需将两张随机选取的图像混合后再送入分类器进行训练即可。这种技术通过避免过拟合，特别是当可用于训练的样本数量有限时，分类精度得到了显著的提高。所以该技术对于数量有限的任务很有价值，故可以参考用于医学影像

方法概述：
本文从训练集中随机选取的两张图像合成一张新的图像，为了合成一张新的图像，采取对两张图像的每个像素进行平均。

具体方法：
训练图像 A 是随机的，从训练集随机抓取图像 B，（A 和 B 都是 ILSVRC2012 的图像，分辨率 256x256）两者都经过基本的数据增强（随机翻转，萃取），分辨率变为 224x224，对两幅图像求平均值，但是 label采用的是 A，之后送入训练模型。

训练过程： 
先采用普通数据增强训练，完成一定轮数之后加入samplepairing，同时间歇性调用该增强，直到loss比较稳定后停止samplepairing的使用。实验来看效果肯定没的说，确实可以，有意思的是这个增强和其他方法一样，会造成loss很大的波动，但是整体趋势是下降的，同时在最终fine-tune会有稳定的收敛loss，其他方法如果最后取消augmentation效果应该也类似。

同期类似的论文 mixup：BEYOND EMPIRICAL RISK MINIMIZATION