点击我爱计算机视觉标星,更快获取CVML新技术
本文为52CV粉丝CrazyVertigo投稿,原文链接:
https://zhuanlan.zhihu.com/p/103992528
给大家介绍一篇非常简单又提点效果明显的2020年最新论文,通过GridMask数据增强方法提升模型鲁棒性,在图像分类、检测、分割三个问题上都做了实验,提升效果明显,好于当前SOTA 的autoaugment。
论文地址:
https://arxiv.org/abs/2001.04086
github地址:
https://github.com/akuxcw/GridMask
![](https://i-blog.csdnimg.cn/blog_migrate/8e931c8ac0eccd4db68e6e44311740d2.png)
1.Gridmask方法介绍
1.1 超参数的定义
![](https://i-blog.csdnimg.cn/blog_migrate/65fd81ae677a272da0343b6c7965e50e.png)
![](https://i-blog.csdnimg.cn/blog_migrate/01fb029c6ed3f3dbc3b1ebf2596ac170.png)
![](https://i-blog.csdnimg.cn/blog_migrate/4e87c7377c3c783a917df1adb8af8da9.png)
![](https://i-blog.csdnimg.cn/blog_migrate/d0ff232430827b5c0f57afc786bb1fdc.png)
![](https://i-blog.csdnimg.cn/blog_migrate/cf5c2dc5ef12dd3878ca49f680cfa268.png)
1.Gridmask方法介绍
1.2 超参数的影响
超参数中的r该如何选择?
![](https://i-blog.csdnimg.cn/blog_migrate/6f071d53484ad52fbfd7fb81aaec644a.png)
超参数中的d该如何选择?
![](https://i-blog.csdnimg.cn/blog_migrate/717d95a3ad64ae935da7aec82536efd8.png)
使用过程中该以多大的概率p对训练图像进行GridMask增强?
![](https://i-blog.csdnimg.cn/blog_migrate/149a3caeecbe09c70e77fc073e5f36f9.png)
GridMask方法如何使用?
1.文章中设计了2中方法,第一种方法是设置一定的概率p,从开始训练就对训练图片以概率p进行数据增强;第二种方法是一开始概率为0,随着训练次数增加对训练图片进行gridmask增强的方法逐渐增大,最后变为p。实验结果结论是第二种方法好于第一种方法。
2.我做实验的时候,是简单的将COCO训练集进行一次离线的数据增强,训练数据量double了一倍,保持相同的epoch,会提升1+点。
1.3 数据增强方法回顾
常用的数据增强方法主要分为3类:
1.空间变换,random scale, crop, flip,rotation
2.颜色扭曲,改变透明度,亮度等
3.信息删除,random erasing, cutour, hide-and-seek
![](https://i-blog.csdnimg.cn/blog_migrate/1a5a3c1053559e1208ef4e8c1d673601.png)
本文提出的GridMask方法属于信息删除的方法,这种方法的实现方式是随机在图像上丢弃一块区域,作用相当于是在网络上增加一个正则项,避免网络过拟合,相比较改变网络结构来说,这种方法只需要在数据输入的时候进行增广,简单便捷。
2.Gridmask效果提升
2.1 分类实验提升
在ImageNet上效果怎么样?
![](https://i-blog.csdnimg.cn/blog_migrate/785731d9bf3e7938a9876097627cde7a.png)
在Cifar10上效果怎么样?
![](https://i-blog.csdnimg.cn/blog_migrate/e5996c1435680df0680ac3139888feb5.png)
2.2 检测实验提升
在COCO上效果怎么样?
![](https://i-blog.csdnimg.cn/blog_migrate/9e55611d90eb123cc22dc2631505692a.png)
自己使用mmdetection框架在faster-rcnn-resnet50网络上也有1+点的明显提升,后续会在业务相关的数据集上做实验。
2.3分割实验提升
在Cityscapes上效果怎么样?
![](https://i-blog.csdnimg.cn/blog_migrate/86934207731af8ddae67578659170d96.png)
参考文章:
1.GridMask Data Augmentation (GridMask)
2.Improved regularization of convolutional neural networks with cutout (Cutout)
3.Hide-and-seek: A data augmentation technique for weakly-supervised localization and beyond (HAS)
4. Cutmix: Regularization strategy to train strong classifiers with localizable features (CutMix)
5. Cutmix: Regularization strategy to train strong classifiers with localizable features (Mixup)
6. Dropblock: A regularization method for convolutional networks (Label Smoothing)
7. Autoaugment: Learning augmentation strategies from data (AutoAugment)
数据标注与增广交流群
关注最新最前沿的数据标注方法及工具、数据增广技术,扫码添加CV君拉你入群,(如已为CV君其他账号好友请直接私信)
(请务必注明:增广)
喜欢在QQ交流的童鞋,可以加52CV官方QQ群:805388940。
(不会时时在线,如果没能及时通过验证还请见谅)
长按关注我爱计算机视觉