Random Erasing：数据增强之随机擦除

数据增强可以扩充样本、防止过拟合、提高模型鲁棒性，实乃一道美味的餐前小菜。常见的方法有：Random flipping、DropOut、Random Cropping、Batch Normallization等。

近日读了一篇使用随机擦除进行数据增强的方法——《Random Erasing Data Augmentation》，遂总结并记录在此篇博客中，以作备忘。有兴趣的朋友可以点击文章链接查看原文。

1、论文摘要

原文摘要如上，大意为：

本文介绍了一种新的用于训练卷积神经网络的数据增强方法——Random Erasing（随机擦除）。训练时，随机擦除方法会在原图随机选择一个矩形区域，将该区域的像素替换为随机值。这个过程中，参与训练的图片会做不同程度的遮挡，这样可以降低过拟合的风险并提高模型的鲁棒性。随机擦除是独立于参数学习过程的，因此可以整合到任何基于CNN的识别模型中。此方法虽然简单，但却是诸如random cropping、flipping等通用数据增强方法的一个补充，并且普遍地比没有使用随机擦除方法的对比算法效果要好。

作者还贴心的给出了该方法的GitHub地址：https://github.com/zhunzhong07/Random-Erasing 。

2、Random Erasing算法介绍

其实只读摘要就可以了解该方法的思想了，实际应用也是十分简单。不过还是了解下作者提供的算法伪代码：

算法过程不难理解，不过有几点需要说明下：

• Sl、Sh分别是需要随机擦除的矩形面积大小上下阈值；
• r1、r2分别是矩形长宽比re的上下阈值；
• 矩形的长和宽的设置分别是 算法中He、We，其乘积刚好是矩形面积Se，其比值刚好是re。

3、随机擦除的图像

如图：经过随机擦除，原图部分区域被一个布满随机值的矩形框给覆盖了，作者借此来表示图片被遮挡，并以此进行样本数据的增强。

 4、利用随机擦除进行数据增强后的效果

首先是图片分类：

然后是 目标检测：

最后是行人追踪：

无一例外，经过随机擦除，基线算法的性能均有一定程度的提升，这也反映了该数据增强的方法是普遍有效的。 

 5、几点总结

• 数据增强是一种外显式正则化，目的是人工扩展样本，提高模型鲁棒性，降低过拟合风险；
• 随机擦除方法是一种独立于参数学习过程的方法，相当于图像预处理；
• 与其他数据增强算法结合使用，可进一步提高算法性能；