يمكن للشبكات العصبية العميقة الحديثة تحقيق دقة عالية عندما تكون توزيعات التدريب وتوزيعات الاختبار متطابقة، لكن هذا الافتراض غالبًا ما يُنتهك في الممارسة العملية. عند حدوث عدم تطابق بين توزيعات التدريب والاختبار، تنخفض الدقة بشكل حاد. حاليًا، توجد تقنيات قليلة تحسن المقاومة للانزلاقات غير المتوقعة في البيانات التي تُواجه أثناء التشغيل. في هذه الدراسة، نقترح تقنية لتحسين المقاومة وتقديرات عدم اليقين في تصنيف الصور. نقترح "AugMix"، وهي تقنية معالجة بيانات بسيطة التنفيذ، وتضيف حملًا حسابيًا ضئيلًا، وتساعد النماذج على الصمود أمام التشوهات غير المتوقعة. تُحسّن AugMix بشكل ملحوظ المقاومة ومقاييس عدم اليقين على معايير تصنيف الصور الصعبة، وتُضيّق الفجوة بين الطرق السابقة والأداء الأمثل في بعض الحالات بأكثر من النصف.