ICCV 2019的论文。
Regional Dropout策略已被证明可以提高分类任务的准确性。这种方法用于引导模型去关注对象中辨别能力较弱的部分,比如人的腿部而不是人的头部,从而使网络去有更强的概括能力,并且可以获得更好的object定位能力。另一方面,现有的regional dropout方法只是简单的放置一个黑色的patch或者噪声块(比如Cutout),这样就导致了信息损失和信息的不准确性。作者用的方法把Mixup和Cutout结合起来了,切割一块patch并且粘贴上另外一张训练图片相同地方的patch,对应的label也按照patch大小的比例进行混合。
思路上还是比较容易理解的。
假设 x ∈ R W × H × C x\in\mathbb{R}^{W\times H\times C} x∈RW×H×C和 y y y代表的训练的输入图像和标签值。生成的新的训练样本 ( x ~ , y ~ ) (\tilde{x},\tilde{y}) (x~,y~)通过训练样本 ( x A , y A ) (x_A,y_A) (xA,yA), ( x B , y B ) (x_B,y_B) (xB,yB)获得,操作如下:
x ~ = M ⊙