分类数据增强论文“CutMix: Regularization Strategy to Train Strong Classifiers with Localizable Features”

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$x\in {\mathbb{R}}^{W\times H\times C}$和$y$代表的训练的输入图像和标签值。生成的新的训练样本$(\tilde{x},\tilde{y})$通过训练样本$(x_A,y_A)$,$(x_B,y_B)$获得，操作如下：
x ~ = M ⊙