OpenMixup：面向视觉表征学习的开放 Mixup 工具箱与基准

基于摘要分析。本文研究视觉表征学习中 mixup 数据增强方法实现不统一、比较难以复现的问题，提出 OpenMixup 工具箱与评估基准。主要贡献是整合代表性方法、训练配置与分析工具，而非提出已验证的 EEG/BCI 算法。 作者报告，在覆盖不同规模与类别粒度的 11 个图像数据集上，对 18 种代表性 mixup 基线进行从头训练和系统评估，场景包含细粒度识别与复杂非典型场景图像。作者据此分析性能与复杂度的权衡，并讨论不同需求下的策略选择；摘要未提供具体指标、数值或方法排名，不能据此判断某种策略普遍最优。 工具箱采用模块化代码组织，包含常用视觉骨干、优化策略及分析工具，支撑本文基准，并支持分类以外的自监督学习与回归任务。材料提供了公开代码地址，但具体版本、数据划分、超参数、算力成本、消融及统计信息尚未验证；摘要也不足以核对各方法的混合操作和损失细节。 平台推测（待验证）：可迁移价值主要在统一比较数据增强策略的评估框架。假设将其中的 mixup 实现用于 EEG 分类，需要适配时间与通道结构，并核对混合样本及监督目标是否保留任务语义；视觉领域的效果不能直接外推至 EEG。低信噪比、跨被试差异和小样本可能使混合操作引入无效变化。一个可检验的小实验是在固定 EEG 划分、模型和训练预算下，对照无 mixup 与一种适配策略，分别报告被试内和跨被试结果及多随机种子波动。已有 EEG 相关工作尚未检索确认。