——Sample Pairing，图像分类中的数据增强，从训练集随机抽取的两幅图像叠加合成一个新的样本（像素取平均值），使用第一幅图像的标签作为合成图像的实际标注。IBM2018年论文。
原理
可将训练集规模从N扩充到N*N，在GoogleNet作为实验网络，在ILSVRC2012数据集上top-1错误率从33.5%降到29.0%，在CIFAR-10数据集上top-1错误率从8.22%降到6.93%。对于训练集有限的图像分类任务，提高了模型准确率，效果明显。
对于图像A，随机从训练集中选取图像B，两者都经过基本的数据增强（镜像，随机裁剪），分辨率变为 224x224，取两幅图像的像素平均，并以图像A的标签为标签，将新的样本送入网络进行训练，每个epoch随机选择要叠加的图像数量。因此SamplePairing随机地从训练集中选取样本对，构建新的样本，但是第二张图片的标签并没有使用，不像mixup。
由于两张图片是同等权重进行叠加，一个分类器不可能完全准确地预测混合之后的图片的标签，除非标签A与标签B相同，因此训练损失不可能为0，即使是使用很复杂的网络。平均训练准确率在不会超过50%，对于N分类任务，最大训练准确率理论上为，如果训练集中所有类别的样本数都相同。
尽管 SamplePairing 的训练精度不会很高，当停止 SamplePairing 进行最终微调训练时，训练精度和验证精度很快改善。 经过微调模型，使用 SamplePairing 训练的网络比未使用 SamplePairing 训练的模型都高很多。使用 SamplePairing 实际是一种正则化。
训练过程：
1、先不使用 SamplePairing 数据增强训练，而是先使用传统的数据增强训练网络。
2、完成一个完整的epoch（ILSVRC）或者100个epoch（其他数据集）后，加入 SamplePairing 数据增强方法。
3、间歇性禁止SamplePairing。对于 ILSVRC 数据集，在300000 副图像上启用 SamplePairing，然后在之后的 100000 副图像上禁用它。对于其他数据集，启用 8 个 epoch，在接下来的 2 个 epoch 禁止 SamplePairing。
4、在训练损失函数和精度稳定后，禁止 SamplePairing ，进行微调。
实验
在不同数据集上使用SamplePairing或者不使用SamplePairing时的训练和验证误差：训练误差会增大，验证误差会减小，正则化效果明显。
几个比较重要的消融实验：
使用同一标签还是两个样本的标签（计算Softmax概率向量令两个样本的分量均为0.5）对于验证集的误差影响并不大，为实现方便，故采用一幅图像的标签。
